इवोजीन और गूगल क्लाउड ने जनरेटिव मॉलिक्यूल डिज़ाइन के लिए फाउंडेशन मॉडल का अनावरण किया, जो जीवन-विज्ञान एआई में एक नए युग की शुरुआत है

इवोजीन लिमिटेडने अपनी श्रेणी में प्रथम बार इसका अनावरण किया है। जनरेटिव एआई फाउंडेशन मॉडल छोटे-अणु डिजाइन के लिए, यह नये यौगिकों की खोज के लिए एक महत्वपूर्ण उपलब्धि है। घोषित 10 जून, 2025 को, Google क्लाउड के सहयोग से, यह मॉडल इवोजीन के केमपास एआई प्लेटफ़ॉर्म का विस्तार करता है और फार्मास्यूटिकल्स और कृषि दोनों में एक लंबे समय से चली आ रही चुनौती से निपटता है: ऐसे नए अणु खोजना जो एक साथ कई जटिल मानदंडों को पूरा करते हों। यह विकास एक ही डिज़ाइन चक्र में प्रभावकारिता, विषाक्तता और स्थिरता जैसे गुणों के एक साथ अनुकूलन को सक्षम करके दवा खोज और फसल सुरक्षा में अनुसंधान और विकास को गति देने के लिए तैयार है।

अनुक्रमिक स्क्रीनिंग से लेकर युगपत डिजाइन तक

पारंपरिक दवा और कृषि रसायन अनुसंधान में, वैज्ञानिक आमतौर पर एक समय में एक कारक का परीक्षण करते हैं - पहले जाँच करते हैं कि कोई यौगिक काम करता है या नहीं, फिर बाद में सुरक्षा और स्थिरता के लिए परीक्षण करते हैं। यह चरण-दर-चरण विधि धीमी, महंगी है, और अक्सर विफलता में समाप्त होती है, जिसमें कई आशाजनक यौगिक बाद के चरणों में कम पड़ जाते हैं। यह शोधकर्ताओं को परिचित रासायनिक संरचनाओं पर भी केंद्रित रखता है, नवाचार को सीमित करता है और नए, पेटेंट योग्य उत्पाद बनाना कठिन बनाता है। यह पुराना तरीका उच्च लागत, लंबी समयसीमा और कम सफलता दर में योगदान देता है - लगभग 90% दवाएँ बाज़ार में पहुँचने से पहले ही विफल हो जाती हैं.

जनरेटिव एआई इस प्रतिमान को बदल देता है। एक-एक करके फ़िल्टर करने के बजाय, एआई मॉडल एक साथ कई आवश्यकताओं को पूरा कर सकते हैं, अणुओं को शुरू से ही शक्तिशाली और सुरक्षित और स्थिर बनाने के लिए डिज़ाइन कर सकते हैं। इवोजीन का नया फाउंडेशन मॉडल स्पष्ट रूप से इस एक साथ बहु-पैरामीटर डिज़ाइन को सक्षम करने के लिए बनाया गया था। इस दृष्टिकोण का उद्देश्य प्रारंभिक डिज़ाइन में ADME और विषाक्तता जैसे विचारों को आगे बढ़ाकर विकास के बाद के चरणों को जोखिम मुक्त करना है।

व्यवहार में, इसका मतलब यह हो सकता है कि अंतिम चरण में कम विफलताएँ होंगी - उदाहरण के लिए, कम दवा उम्मीदवार जो प्रयोगशाला में अच्छे परिणाम दिखाते हैं लेकिन साइड इफ़ेक्ट के कारण नैदानिक ​​परीक्षणों में विफल हो जाते हैं। संक्षेप में, जनरेटिव AI शोधकर्ताओं को तेजी से और अधिक समझदारी से नवाचार करने की अनुमति देता है, प्रत्येक को अलग से निपटने के बजाय एक सफल अणु के कई पहलुओं के लिए एक साथ अनुकूलन करता है।

केमपास एआई के अंदर: जनरेटिव मॉडल अणुओं को कैसे डिज़ाइन करते हैं

इवोजीन के केमपास एआई प्लैटफ़ॉर्म के केंद्र में एक शक्तिशाली नया फाउंडेशन मॉडल है जिसे एक विशाल रासायनिक डेटासेट पर प्रशिक्षित किया गया है। कंपनी ने एक लगभग 40 बिलियन आणविक संरचनाओं का संग्रहित डेटाबेस- ज्ञात दवा जैसे यौगिकों और विविध रासायनिक मचानों को फैलाते हुए - एआई को अणुओं की "भाषा" सिखाने के लिए। GPU सुपरकंप्यूटिंग के साथ Google Cloud के Vertex AI इंफ्रास्ट्रक्चर का उपयोग करते हुए, मॉडल ने इस विशाल रासायनिक लाइब्रेरी से पैटर्न सीखे, जिससे उसे दवा जैसे अणुओं के बारे में अभूतपूर्व ज्ञान प्राप्त हुआ। यह विशाल प्रशिक्षण व्यवस्था एक बड़े भाषा मॉडल को प्रशिक्षित करने के समान है, लेकिन मानव भाषा के बजाय, AI ने रासायनिक निरूपण सीखा।

इवोजीन का जनरेटिव मॉडल ट्रांसफॉर्मर न्यूरल नेटवर्क आर्किटेक्चर पर बनाया गया है, जो GPT मॉडल के समान है जिसने प्राकृतिक भाषा प्रसंस्करण में क्रांति ला दी। वास्तव में, सिस्टम को इस रूप में संदर्भित किया जाता है केमपास-जीपीटी, एक मालिकाना AI मॉडल जिसे SMILES स्ट्रिंग्स (आणविक संरचनाओं का एक टेक्स्ट एन्कोडिंग) पर प्रशिक्षित किया गया है। सरल शब्दों में, ChemPass-GPT अणुओं को वाक्यों की तरह मानता है - प्रत्येक अणु की SMILES स्ट्रिंग उसके परमाणुओं और बंधों का वर्णन करने वाले वर्णों का एक क्रम है। ट्रांसफॉर्मर मॉडल ने इस रासायनिक भाषा का व्याकरण सीख लिया है, जिससे यह एक बार में एक वर्ण की भविष्यवाणी करके नए अणुओं को "लिखने" में सक्षम हो जाता है, उसी तरह जैसे GPT अक्षर दर अक्षर वाक्य लिख सकता है। चूँकि इसे अरबों उदाहरणों पर प्रशिक्षित किया गया था, इसलिए मॉडल ऐसे नए SMILES उत्पन्न कर सकता है जो रासायनिक रूप से मान्य, दवा जैसी संरचनाओं के अनुरूप हों।

इस अनुक्रम-आधारित जनरेटिव दृष्टिकोण जटिल पैटर्न को कैप्चर करने में ट्रांसफॉर्मर की ताकत का लाभ उठाता है। इतने बड़े और रासायनिक रूप से विविधतापूर्ण डेटासेट पर प्रशिक्षण देकर, केमपास एआई उन समस्याओं पर काबू पा लेता है जिनका सामना पहले के एआई मॉडल करते थे, जैसे छोटे डेटासेट से पूर्वाग्रह या अनावश्यक या अमान्य अणु उत्पन्न करना फाउंडेशन मॉडल का प्रदर्शन पहले से ही रसायन विज्ञान पर लागू सामान्य GPT से कहीं आगे निकल गया है: आंतरिक परीक्षणों से पता चला है 90% परिशुद्धता सभी डिजाइन मानदंडों को पूरा करने वाले नए अणुओं के उत्पादन में, पारंपरिक GPT-आधारित मॉडल के लिए ~ 29% सटीकता के मुकाबलेevogene.comव्यावहारिक रूप से, इसका मतलब यह है कि केमपास एआई द्वारा सुझाए गए लगभग सभी अणु न केवल नए हैं, बल्कि अपने लक्ष्य प्रोफ़ाइल को भी प्राप्त करते हैं, जो कि आधारभूत जनरेटिव तकनीकों की तुलना में एक उल्लेखनीय सुधार है।

जबकि इवोजीन का प्राथमिक जेनरेटिव इंजन रैखिक SMILES पर एक ट्रांसफार्मर का उपयोग करता है, यह ध्यान देने योग्य है कि व्यापक AI टूलकिट में अन्य आर्किटेक्चर शामिल हैं जैसे ग्राफ न्यूरल नेटवर्क (जीएनएन)। अणु स्वाभाविक रूप से ग्राफ होते हैं - जिसमें परमाणु नोड और बंधन किनारे होते हैं - और GNN इन संरचनाओं पर सीधे तर्क कर सकते हैं। आधुनिक दवा डिजाइन में, GNN का उपयोग अक्सर गुणों की भविष्यवाणी करने या यहां तक ​​कि उन्हें परमाणु-दर-परमाणु बनाकर अणुओं को उत्पन्न करने के लिए किया जाता है। यह ग्राफ-आधारित दृष्टिकोण अनुक्रम मॉडल का पूरक है; उदाहरण के लिए, इवोजीन का प्लेटफ़ॉर्म 3D वर्चुअल स्क्रीनिंग के लिए डीपडॉक जैसे टूल को भी शामिल करता है, जो संरचना-आधारित संदर्भ में अणु बंधन का आकलन करने के लिए गहन सीखने का उपयोग करता है। अनुक्रम मॉडल (रचनात्मकता और नवीनता के लिए बढ़िया) को ग्राफ-आधारित मॉडल (संरचनात्मक सटीकता और गुण भविष्यवाणी के लिए बढ़िया) के संयोजन से, ChemPass AI सुनिश्चित करता है कि उसके द्वारा उत्पन्न यौगिक न केवल कागज पर नए हों, बल्कि व्यवहार में रासायनिक रूप से मजबूत और प्रभावी भी हों

बहु-उद्देश्य अनुकूलन: क्षमता, विषाक्तता, स्थिरता यकायक

ChemPass AI की एक खास विशेषता बहु-उद्देश्य अनुकूलन के लिए इसकी अंतर्निहित क्षमता है। क्लासिक ड्रग डिस्कवरी अक्सर एक समय में एक गुण को अनुकूलित करती है, लेकिन ChemPass को कई उद्देश्यों को एक साथ संभालने के लिए इंजीनियर किया गया था। यह उन्नत मशीन लर्निंग तकनीकों के माध्यम से प्राप्त किया जाता है जो जनरेटिव मॉडल को कई बाधाओं को संतुष्ट करने की दिशा में मार्गदर्शन करती हैं। प्रशिक्षण में, इवोजीन गुण आवश्यकताओं को लागू कर सकता है - जैसे कि एक अणु को एक निश्चित लक्ष्य को दृढ़ता से सक्रिय करना चाहिए, कुछ विषैले रूपांकनों से बचना चाहिए, और अच्छी जैव उपलब्धता होनी चाहिए - और मॉडल उन नियमों के तहत रासायनिक स्थान को नेविगेट करना सीखता है। ChemPass-GPT सिस्टम यहां तक ​​कि "बाधा-आधारित पीढ़ी" को सक्षम करता है, जिसका अर्थ है कि इसे केवल उन अणुओं का प्रस्ताव करने का निर्देश दिया जा सकता है जो शुरू से ही विशिष्ट वांछित गुणों को पूरा करते हैं।

AI इस बहु-पैरामीटर संतुलन कार्य को कैसे पूरा करता है? एक दृष्टिकोण मल्टी-टास्क लर्निंग है, जहाँ मॉडल न केवल अणुओं का निर्माण कर रहा है, बल्कि सीखे गए भविष्यवाणियों का उपयोग करके उनके गुणों की भविष्यवाणी भी कर रहा है, तदनुसार उत्पादन को समायोजित कर रहा है। एक और शक्तिशाली दृष्टिकोण है सुदृढीकरण सीखने (आरएल)आरएल-एन्हांस्ड वर्कफ़्लो में, जनरेटिव मॉडल अणु डिज़ाइन का "खेल खेलने वाले" एजेंट की तरह काम करता है: यह एक अणु का प्रस्ताव करता है और फिर उस अणु द्वारा उद्देश्यों (शक्ति, विषाक्तता की कमी, आदि) को कितनी अच्छी तरह पूरा किया जाता है, इसके आधार पर एक रिवॉर्ड स्कोर प्राप्त करता है। कई पुनरावृत्तियों में, मॉडल इस इनाम को अधिकतम करने के लिए अपनी पीढ़ी की रणनीति में बदलाव करता है। इस पद्धति का उपयोग अन्य AI-संचालित दवा डिज़ाइन प्रणालियों में सफलतापूर्वक किया गया है - शोधकर्ताओं ने दिखाया है कि सुदृढीकरण सीखने के एल्गोरिदम वांछित गुणों वाले अणुओं का उत्पादन करने के लिए जनरेटिव मॉडल का मार्गदर्शन कर सकते हैंसंक्षेप में, AI को एक ऐसे रिवॉर्ड फ़ंक्शन के साथ प्रशिक्षित किया जा सकता है जो कई लक्ष्यों को समाहित करता है, उदाहरण के लिए अनुमानित प्रभावकारिता के लिए अंक देना और अनुमानित विषाक्तता के लिए अंक घटाना। फिर मॉडल अपने "चालों" (परमाणुओं को जोड़ना या हटाना, कार्यात्मक समूहों को बदलना) को उच्चतम स्कोर प्राप्त करने के लिए अनुकूलित करता है, प्रभावी रूप से सभी मानदंडों को पूरा करने के लिए आवश्यक ट्रेड-ऑफ़ सीखता है।

इवोजीन ने केमपास एआई के बहुउद्देश्यीय इंजन के पीछे की सटीक मालिकाना सॉस का खुलासा नहीं किया है, लेकिन उनके परिणामों से यह स्पष्ट है कि ऐसी रणनीतियाँ काम कर रही हैं। तथ्य यह है कि प्रत्येक उत्पन्न यौगिक "एक साथ आवश्यक मापदंडों को पूरा करता है" जैसे कि प्रभावकारिता, संश्लेषण और सुरक्षा। आगामी केमपास एआई संस्करण 2.0 इसे और आगे बढ़ाएगा - इसे और भी अधिक लचीले बहु-पैरामीटर ट्यूनिंग की अनुमति देने के लिए विकसित किया जा रहा है, जिसमें विशिष्ट चिकित्सीय क्षेत्रों या फसल आवश्यकताओं के अनुरूप उपयोगकर्ता-परिभाषित मानदंड शामिल हैं। इससे पता चलता है कि अगली पीढ़ी का मॉडल शोधकर्ताओं को कुछ कारकों के महत्व को बढ़ाने या घटाने की अनुमति दे सकता है (उदाहरण के लिए, न्यूरोलॉजी दवा के लिए मस्तिष्क भेदन या कीटनाशक के लिए पर्यावरणीय जैवनिम्नीकरण को प्राथमिकता देना) और एआई अपनी डिजाइन रणनीति को तदनुसार समायोजित करेगा। ऐसी बहुउद्देश्यीय क्षमताओं को एकीकृत करके, केमपास एआई ऐसे अणुओं को डिजाइन कर सकता है जो एक साथ कई प्रदर्शन मीट्रिक पर सही जगह पर पहुंचते हैं, पारंपरिक तरीकों से व्यावहारिक रूप से असंभव उपलब्धि।

पारंपरिक अनुसंधान एवं विकास पद्धतियों से आगे एक छलांग

केमपास एआई के जनरेटिव मॉडल का आगमन जीवन विज्ञान अनुसंधान एवं विकास में व्यापक बदलाव को उजागर करता है: श्रमसाध्य परीक्षण-और-त्रुटि वर्कफ़्लो से एआई-संवर्धित रचनात्मकता और सटीकतामानव रसायनज्ञों के विपरीत, जो ज्ञात रासायनिक श्रृंखलाओं से चिपके रहते हैं और धीरे-धीरे पुनरावृत्ति करते हैं, एक AI अरबों संभावनाओं को समझ सकता है और रासायनिक क्षेत्र के 99.9% अनदेखे क्षेत्रों में प्रवेश कर सकता है। यह ऐसे प्रभावकारी यौगिकों को खोजने का द्वार खोलता है जो पहले देखी गई किसी भी चीज़ से मिलते-जुलते नहीं हैं - नए रसायन विज्ञान के साथ बीमारियों का इलाज करने या कीटों और रोगजनकों से निपटने के लिए महत्वपूर्ण है जिन्होंने मौजूदा अणुओं के प्रति प्रतिरोध विकसित किया है। इसके अलावा, इस पर विचार करके पेटेंट शुरू से ही, जनरेटिव एआई भीड़भाड़ वाले बौद्धिक संपदा क्षेत्रों से बचने में मदद करता है। इवोजीन का स्पष्ट उद्देश्य ऐसे अणुओं का उत्पादन करना है जो नए आईपी को उभारते हैं, जो एक महत्वपूर्ण प्रतिस्पर्धी लाभ है।

पारंपरिक तरीकों की तुलना में इसके लाभों को संक्षेप में इस प्रकार बताया जा सकता है:

• समानांतर बहु-विशेषता अनुकूलन: एआई समानांतर रूप से कई मापदंडों का मूल्यांकन करता है, ऐसे अणुओं को डिजाइन करता है जो शक्ति, सुरक्षा और अन्य मानदंडों को पूरा करते हैं। इसके विपरीत, पारंपरिक पाइपलाइनों में अक्सर किसी अन्य आशाजनक दवा पर वर्षों के काम के बाद ही विषाक्तता की समस्या का पता चलता है। ऐसे मुद्दों के लिए पहले से ही फ़िल्टर करके, एआई द्वारा डिज़ाइन किए गए उम्मीदवारों के पास बाद के महंगे परीक्षणों में सफलता पाने का बेहतर मौका होता है।

• रासायनिक विविधता का विस्तार: जनरेटिव मॉडल मौजूदा कंपाउंड लाइब्रेरी तक सीमित नहीं हैं। ChemPass AI ऐसी संरचनाएँ बना सकता है जो पहले कभी नहीं बनाई गई हैं, फिर भी उनके प्रभावी होने की भविष्यवाणी की जाती है। यह नवीनता से प्रेरित पीढ़ी पहिये (या अणु) को फिर से आविष्कार करने से बचता है और नए तरीके से काम करने वाले अलग-अलग उत्पाद बनाने में मदद करता है। पारंपरिक तरीके अक्सर "मी-टू" यौगिकों की ओर ले जाते हैं जो बहुत कम नवीनता प्रदान करते हैं।

• गति और पैमाना: रसायनज्ञों की एक टीम संश्लेषण और परीक्षण के ज़रिए एक साल में जो हासिल कर सकती है, उसे AI कुछ ही दिनों में कर सकता है। ChemPass AI का डीप लर्निंग प्लेटफ़ॉर्म तेज़ी से अरबों यौगिकों की वर्चुअल स्क्रीनिंग कर सकता है और एक ही बार में सैकड़ों नए विचार उत्पन्न कर सकता है। यह खोज समयरेखा को नाटकीय रूप से संकुचित करता है, गीले-प्रयोगशाला प्रयोगों को केवल सिलिको में पहचाने गए सबसे आशाजनक उम्मीदवारों पर केंद्रित करता है।

• एकीकृत ज्ञान: केमपास जैसे एआई मॉडल अपने प्रशिक्षण में रासायनिक और जैविक ज्ञान (जैसे ज्ञात संरचना-गतिविधि संबंध, विषाक्तता अलर्ट, दवा-जैसे गुण नियम) की विशाल मात्रा को शामिल करते हैं। इसका मतलब है कि प्रत्येक अणु डिजाइन पूर्व डेटा की चौड़ाई से लाभान्वित होता है जिसे कोई भी मानव विशेषज्ञ अपने सिर में नहीं रख सकता है। पारंपरिक डिजाइन औषधीय रसायनज्ञों के अनुभव पर निर्भर करता है - मूल्यवान लेकिन मानव स्मृति और पूर्वाग्रह तक सीमित - जबकि एआई लाखों प्रयोगों और विविध रासायनिक परिवारों में पैटर्न को पकड़ सकता है।

व्यावहारिक रूप से, फार्मा के लिए यह नैदानिक ​​परीक्षणों में उच्च सफलता दर और विकास लागत को कम कर सकता है, क्योंकि कम संसाधन बर्बाद यौगिकों पर बर्बाद होते हैं। कृषि में, इसका मतलब है कि सुरक्षित, अधिक टिकाऊ फसल सुरक्षा समाधानों का तेजी से निर्माण - उदाहरण के लिए, एक शाकनाशी जो खरपतवारों के लिए घातक है लेकिन गैर-लक्ष्य जीवों के लिए सौम्य है और पर्यावरण में हानिरहित रूप से टूट जाता है। प्रभावकारिता और पर्यावरणीय सुरक्षा को एक साथ अनुकूलित करके, AI एक ही बार में विनियामक और प्रतिरोध चुनौतियों का समाधान करते हुए "प्रभावी, टिकाऊ और मालिकाना" कृषि-रसायन प्रदान करने में मदद कर सकता है।

इवोजीन में व्यापक एआई टूलबॉक्स का हिस्सा

जबकि केमपास एआई छोटे-अणु डिजाइन के लिए सुर्खियों में है, यह इवोजीन की एआई-संचालित "टेक-इंजन" की तिकड़ी का हिस्सा है जो विभिन्न डोमेन के लिए तैयार किया गया है। कंपनी ने माइक्रोबूस्ट एआई सूक्ष्मजीवों पर ध्यान केंद्रित करना, केमपास एआई रसायन विज्ञान पर, और जेनरेटर एआई आनुवंशिक तत्वों पर। प्रत्येक इंजन अपने संबंधित क्षेत्र में बड़े-डेटा एनालिटिक्स और मशीन लर्निंग को लागू करता है।

एआई इंजनों का यह एकीकृत पारिस्थितिकी तंत्र एक “एआई-प्रथम” जीवन विज्ञान कंपनी के रूप में इवोजीन की रणनीति को रेखांकित करता है। उनका लक्ष्य बोर्ड भर में उत्पाद खोज में क्रांति लाना है - चाहे वह दवा, जैव-उत्तेजक, या सूखा-सहिष्णु फसल तैयार करना हो - जैविक जटिलता को समझने के लिए संगणना का उपयोग करनाइंजन एक सामान्य दर्शन साझा करते हैं: अनुसंधान एवं विकास की सफलता की संभावना बढ़ाने और समय और लागत को कम करने के लिए अत्याधुनिक मशीन लर्निंग का उपयोग करना।

आउटलुक: एआई-संचालित खोज परिपक्व हो गई है

जनरेटिव एआई अणु खोज को बदल रहा है, एआई की भूमिका को सहायक से रचनात्मक सहयोगी में बदल रहा है। एक समय में एक विचार का परीक्षण करने के बजाय, वैज्ञानिक अब एआई का उपयोग करके पूरी तरह से नए यौगिक डिजाइन कर सकते हैं जो एक ही चरण में कई लक्ष्यों - शक्ति, सुरक्षा, स्थिरता और बहुत कुछ - को पूरा करते हैं।

यह भविष्य पहले से ही सामने आ रहा है। एक दवा टीम एक अणु का अनुरोध कर सकती है जो एक विशिष्ट प्रोटीन को लक्षित करता है, मस्तिष्क से बचता है, और मौखिक रूप से उपलब्ध होता है - एआई मांग पर उम्मीदवारों को वितरित कर सकता है। कृषि में, शोधकर्ता विनियामक और पर्यावरणीय बाधाओं के अनुरूप पर्यावरण के अनुकूल कीट नियंत्रण तैयार कर सकते हैं।

Google Cloud के साथ विकसित इवोजीन का हालिया फाउंडेशन मॉडल इस बदलाव का एक उदाहरण है। यह मल्टी-पैरामीटर डिज़ाइन को सक्षम बनाता है और रासायनिक क्षेत्र के नए क्षेत्रों को खोलता है। जैसे-जैसे भविष्य के संस्करण और भी अधिक अनुकूलन की अनुमति देते हैं, ये मॉडल जीवन विज्ञान में आवश्यक उपकरण बन जाएंगे।

महत्वपूर्ण रूप से, प्रभाव वास्तविक दुनिया के सत्यापन पर निर्भर करता है। जैसे-जैसे एआई-जनरेटेड अणुओं का परीक्षण और परिशोधन किया जाता है, मॉडल बेहतर होते जाते हैं - जिससे गणना और प्रयोग के बीच एक शक्तिशाली फीडबैक लूप बनता है।

यह उत्पादक दृष्टिकोण दवाओं या कीटनाशकों तक सीमित नहीं है। यह जल्द ही सामग्री, भोजन और स्थिरता में सफलताओं को बढ़ावा दे सकता है - जो पहले परीक्षण और त्रुटि से बाधित उद्योगों में तेज़, बेहतर खोज की पेशकश करता है।