Artificial Intelligence in Drug Discovery: A PRISMA-Based Systematic Review of Methods, Challenges, Taxonomy, and Evaluation Practices

एक वैज्ञानिक के विचार से लेकर फार्मेसी की शेल्फ तक एक नई दवा लाने का कार्य एक विशाल उपक्रम है। इसमें आमतौर पर एक दशक या उससे अधिक समय लगता है और अरबों डॉलर का खर्च आता है, फिर भी अधिकांश संभावित दवाएं मरीज तक पहुँचने से पहले ही विफल हो जाती हैं। इनमें से अधिकांश विफलताएं इसलिए होती हैं क्योंकि दवा पर्याप्त रूप से प्रभावी नहीं होती या इसके ऐसे हानिकारक दुष्प्रभाव सामने आते हैं जो परीक्षण प्रक्रिया के अंतिम चरणों में ही दिखाई देते हैं। इस धीमी और महंगी यात्रा को तेज करने के लिए, शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) का रुख किया है। इस संदर्भ में, आर्टिफिशियल इंटेलिजेंस उन कंप्यूटर प्रणालियों को संदर्भित करता है जो पैटर्न खोजने और भविष्यवाणियां करने के लिए डेटा से सीख सकती हैं, बिना हर एक नियम के लिए स्पष्ट रूप से प्रोग्राम किए गए। इस क्षेत्र में सबसे शक्तिशाली उपकरणों में से एक मशीन लर्निंग है, जहाँ कंप्यूटर समय के साथ अपने प्रदर्शन को सुधारने के लिए भारी मात्रा में जानकारी का विश्लेषण करते हैं। एक अन्य प्रमुख अवधारणा ड्रग डिस्कवरी पाइपलाइन (दवा खोज प्रक्रिया) है, जो बीमारी के लक्ष्य को खोजने, लाखों रासायनिक यौगिकों की स्क्रीनिंग करने और सर्वोत्तम उम्मीदवारों को सुरक्षित दवाओं में परिष्कृत करने की चरण-दर-चरण प्रक्रिया है। वर्षों तक, यह प्रक्रिया काफी हद तक मानवीय अंतर्ज्ञान और धीमी, मैनुअल टेस्टिंग पर निर्भर थी, लेकिन संभावित रासायनिक संयोजनों की संख्या इतनी विशाल है कि केवल मानवीय प्रयास से उन सभी का अन्वेषण नहीं किया जा सकता।

वैज्ञानिक साहित्य की एक व्यापक नई समीक्षा ने सटीक रूप से मानचित्रित किया है कि वर्तमान में इन चुनौतियों से निपटने के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग कैसे किया जा रहा है। महमूद अहमद और सहयोगियों के नेतृत्व में इस अध्ययन के पीछे के शोधकर्ताओं ने प्रयोगशाला में कोई नया प्रयोग नहीं किया। इसके बजाय, उन्होंने 'मास्टर आर्काइविस्ट' (मुख्य संग्रहकर्ता) के रूप में कार्य किया, जिन्होंने 2019 और 2026 के बीच प्रकाशित 618 अलग-अलग वैज्ञानिक शोध पत्रों को एकत्र और विश्लेषित किया। उन्होंने लाखों रिकॉर्ड वाले तीन प्रमुख डेटाबेस की खोज की, डुप्लिकेट और अप्रासंगिक अध्ययनों को हटा दिया ताकि केवल उच्च गुणवत्ता वाले अनुसंधान पर ध्यान केंद्रित किया जा सके जिन्होंने दवा खोज में आर्टिफिशियल इंटेलिजेंस को लागू किया है। उनका लक्ष्य एक तेजी से बढ़ते क्षेत्र के शोर को कम करना था, जहाँ हर साल हजारों नए शोध पत्र आते हैं, ताकि यह समझा जा सके कि कौन सी विधियाँ वास्तव में काम करती हैं, यह क्षेत्र किस दिशा में जा रहा है, और कौन सी समस्याएं अनसुलझी रह गई हैं। वे एक स्पष्ट चित्र बनाना चाहते थे, जिससे तकनीकों के अराजक मिश्रण को एक संरचित ढांचे में व्यवस्थित किया जा सके जिसका उपयोग वैज्ञानिक और उद्योग जगत के नेता आगे बढ़ने के लिए कर सकें।

समीक्षा से पता चला कि यह क्षेत्र हाल के वर्षों में तेजी से बढ़ा है। 2019 में, केवल 11 प्रासंगिक अध्ययन थे, लेकिन 2026 तक, यह संख्या बढ़कर 159 हो गई, जो चौदह गुना वृद्धि दर्शाती है। इन अध्ययनों में पाया गया सबसे सामान्य दृष्टिकोण मशीन लर्निंग है, जो समीक्षा किए गए लगभग हर एक पेपर में दिखाई दिया। उस व्यापक श्रेणी के भीतर, डीप लर्निंग—जो मानव मस्तिष्क के न्यूरल नेटवर्क की तरह काम करने वाला आर्टिफिशियल इंटेलिजेंस का एक प्रकार है—लगभग 78 प्रतिशत अध्ययनों में उपयोग किया गया था। जबकि पुराने तरीके जैसे 'क्वांटिटेटिव स्ट्रक्चर-एक्टिविटी रिलेशनशिप मॉडलिंग', जो किसी अणु के आकार के आधार पर उसके व्यवहार की भविष्यवाणी करता है, अभी भी व्यापक रूप से उपयोग किए जाते हैं, नए प्रौद्योगिकियां तेजी से उभर रही हैं। ग्राफ न्यूरल नेटवर्क, जो अणुओं को जुड़े हुए बिंदुओं के मानचित्र की तरह देखते हैं ताकि उनकी संरचना को समझा जा सके, और ट्रांसफॉर्मर मॉडल, जो उन्नत भाषा उपकरणों के पीछे की समान तकनीक है, विशेष रूप से पिछले दो वर्षों में प्रकाशित शोध पत्रों में प्रमुख ताकत बनकर उभरे हैं। ये नए उपकरण मौजूदा अणुओं के परीक्षण के बजाय पूरी तरह से नए अणुओं को शून्य से डिजाइन करने में विशेष रूप से सक्षम हैं।

शोधकर्ताओं ने इन निष्कर्षों को एक स्पष्ट प्रणाली में व्यवस्थित किया, जो दिखाता है कि दवा खोज प्रक्रिया के प्रत्येक चरण के लिए कौन से आर्टिफिशियल इंटेलिजेंस उपकरण सबसे उपयुक्त हैं। सबसे सामान्य अनुप्रयोग 'वर्चुअल स्क्रीनिंग' है, जहाँ कंप्यूटर तेजी से लाखों रासायनिक यौगिकों का परीक्षण करते हैं ताकि यह देखा जा सके कि उनमें से कौन से किसी बीमारी के लक्ष्य से जुड़ सकते हैं। इसने आधे से अधिक अध्ययनों का हिस्सा बनाया। दूसरा सबसे आम क्षेत्र 'डी नोवो डिजाइन' (de novo design) है, जहाँ आर्टिफिशियल इंटेलिजेंस ऐसे नए रासायनिक ढांचे का आविष्कार करता है जो पहले कभी अस्तित्व में नहीं रहे। हालांकि ये उपकरण शक्तिशाली हैं, समीक्षा में पाया गया कि यह क्षेत्र अभी भी यह साबित करने के संघर्ष से जूझ रहा है कि वे विश्वसनीय रूप से कैसे काम करते हैं। एक प्रमुख मुद्दा यह है कि कई अध्ययन सफलता को मापने के लिए केवल एक प्रकार के माप का उपयोग करते हैं, जो अक्सर एक एकल स्कोर पर केंद्रित होता है जो असंतुलित डेटा के मामले में भ्रामक हो सकता है। उदाहरण के लिए, यदि एक डेटासेट में ज्यादातर निष्क्रिय यौगिक हैं, तो एक मॉडल केवल यह अनुमान लगाकर अत्यधिक सटीक दिखाई दे सकता है कि सब कुछ निष्क्रिय है, फिर भी वह उन कुछ सक्रिय दवाओं को खोजने में विफल रहेगा जो महत्वपूर्ण हैं। समीक्षा में पाया गया कि बहुत कम अध्ययनों ने उन विशिष्ट मेट्रिक्स की रिपोर्ट की है जो इन त्रुटियों को पकड़ने के लिए आवश्यक हैं, जिससे विभिन्न विधियों की निष्पक्ष रूप से तुलना करना कठिन हो जाता है।

एक अन्य महत्वपूर्ण निष्कर्ष यह है कि जबकि कंप्यूटर मॉडल अधिक परिष्कृत होते जा रहे हैं, इन मॉडलों का वास्तविक दुनिया में अनुप्रयोग अभी भी पीछे है। पहचाने गए सबसे बड़े संकट एल्गोरिदम की तकनीकी विफलताएं नहीं थीं, बल्कि इन डिजिटल भविष्यवाणियों को वास्तविक 'वेट-लैब' (wet-lab) प्रयोगों और नैदानिक परीक्षणों (clinical trials) में एकीकृत करने की कठिनाई थी। समीक्षा में शामिल केवल एक छोटे से अंश में ही अपने मॉडलों का पूरी तरह से नए, स्वतंत्र डेटा पर परीक्षण किया गया था ताकि यह देखा जा सके कि क्या वे दूसरे परिवेश में काम करेंगे। इसके अलावा, इनमें से कई शक्तिशाली आर्टिफिशियल इंटेलिजेंस सिस्टम "ब्लैक बॉक्स" हैं, जिसका अर्थ है कि यहाँ तक कि वे वैज्ञानिक भी जिन्होंने उन्हें बनाया है, पूरी तरह से यह नहीं समझा सकते कि कंप्यूटर ने एक विशिष्ट भविष्यवाणी क्यों की। यह पारदर्शिता की कमी नियामकों (regulators) के लिए एक बड़ी बाधा है, जिन्हें नई दवाओं को मंजूरी देने से पहले स्पष्ट स्पष्टीकरण की आवश्यकता होती है। समीक्षा ने यह भी रेखांकित किया कि इन मॉडलों को प्रशिक्षित करने के लिए उपयोग किया जाने वाला डेटा अक्सर अधूरा या पक्षपाती होता है, जिससे ऐसे मॉडल बन सकते हैं जो कंप्यूटर सिमुलेशन में तो अच्छा काम करते हैं लेकिन वास्तविक जैविक प्रणालियों पर लागू होने पर विफल हो जाते हैं।

इस शोध का भौगोलिक वितरण भी उल्लेखनीय है, जिसमें अधिकांश अध्ययन चीन, संयुक्त राज्य अमेरिका और भारत से आए हैं। समीक्षा में नोट किया गया कि भारत का योगदान पहले की तुलना में अधिक है, जो उस क्षेत्र में नवाचार के बढ़ते केंद्र का सुझाव देता है। शोध की तीव्र वृद्धि और प्रभावशाली मात्रा के बावजूद, लेखक निष्कर्ष निकालते हैं कि यह क्षेत्र एक महत्वपूर्ण मोड़ पर है। तकनीक उस स्तर तक उन्नत हो गई है जहाँ यह नवीन दवा उम्मीदवारों को उत्पन्न कर सकती है और उनके गुणों की उच्च सटीकता के साथ भविष्यवाणी कर सकती है, लेकिन इन उम्मीदवारों को मान्य करने, व्याख्या करने और सुरक्षित रूप से तैनात करने का बुनियादी ढांचा अभी तैयार नहीं है। समीक्षा का सुझाव है कि अगला बड़ा कदम केवल बड़े मॉडल बनाना नहीं है, बल्कि ऐसी प्रणालियाँ बनाना है जो पारदर्शी, पुनरुत्पादनीय (reproducible) हों और विभिन्न प्रकार के डेटा, जैसे कि रासायनिक संरचनाओं के साथ आनुवंशिक जानकारी को जोड़ने में सक्षम हों। जब तक ये अंतराल भरे नहीं जाते, जीवन रक्षक दवाओं को बाजार में लाने के समय और लागत को नाटकीय रूप से कम करने का आर्टिफिशियल इंटेलिजेंस का वादा केवल आंशिक रूप से ही साकार होगा।