Evogene और Google Cloud ने जनरेटिव मोलेक्यूल डिज़ाइन के लिए फाउंडेशन मॉडल लॉन्च किया, जीवन विज्ञान में AI के एक नए युग की शुरुआत की

Evogene Ltd. ने छोटे अणुओं के डिज़ाइन के लिए एक पहला-इन-वर्ग का जनरेटिव AI फाउंडेशन मॉडल लॉन्च किया है, जो नए यौगिकों की खोज में एक महत्वपूर्ण प्रगति है। घोषणा 10 जून, 2025 को Google Cloud के साथ साझेदारी में, इस मॉडल ने Evogene के ChemPass AI प्लेटफ़ॉर्म का विस्तार किया और दोनों फार्मास्यूटिकल्स और कृषि में एक लंबे समय से चली आ रही चुनौती का समाधान किया है: कई जटिल मानदंडों को एक ही समय में पूरा करने वाले नए अणुओं की खोज। यह विकास दवा की खोज और फसल सुरक्षा में अनुसंधान और विकास को तेज करने के लिए तैयार है, एक ही डिज़ाइन चक्र में प्रभावशीलता, विषाक्तता और स्थिरता जैसे गुणों के समानांतर अनुकूलन को सक्षम बनाता है।

क्रमिक स्क्रीनिंग से एकसाथ डिज़ाइन तक

पारंपरिक दवा और कृषि रसायन अनुसंधान में, वैज्ञानिक आमतौर पर एक समय में एक कारक का परीक्षण करते हैं – पहले यह जांचते हैं कि एक यौगिक काम करता है या नहीं, और बाद में सुरक्षा और स्थिरता के लिए परीक्षण करते हैं। यह कदम-दर-कदम विधि धीमी है, महंगी है, और अक्सर विफलता में समाप्त होती है, कई आशाजनक यौगिक बाद के चरणों में कम पड़ते हैं। यह शोधकर्ताओं को जाने जाने वाले रासायनिक संरचनाओं पर केंद्रित रखता है, नवाचार को सीमित करता है और नए, पेटेंट योग्य उत्पादों का निर्माण करना मुश्किल बनाता है। यह पुराना दृष्टिकोण उच्च लागत, लंबे समय, और कम सफलता दर में योगदान देता है – लगभग 90% दवा उम्मीदवार बाजार तक पहुंचने से पहले विफल हो जाते हैं।

जनरेटिव AI इस परिदृश्य को बदलता है। एक-एक करके फिल्टरिंग के बजाय, AI मॉडल एक ही समय में कई आवश्यकताओं को संभाल सकते हैं, अणुओं को शक्तिशाली, सुरक्षित और स्थिर बनाने के लिए डिज़ाइन कर सकते हैं। Evogene का नया फाउंडेशन मॉडल विशेष रूप से इस एकसाथ बहु-पैरामीटर डिज़ाइन को सक्षम करने के लिए बनाया गया था। यह दृष्टिकोण बाद के विकास के चरणों में जोखिम को कम करने का लक्ष्य रखता है, जैसे कि एडीएमई और विषाक्तता को प्रारंभिक डिज़ाइन में शामिल करना।

अभ्यास में, इसका अर्थ हो सकता है कि देर से चरणों में कम विफलता – उदाहरण के लिए, कम दवा उम्मीदवार जो प्रयोगशाला परिणामों में महान दिखते हैं लेकिन दुष्प्रभावों के कारण नैदानिक ​​परीक्षणों में विफल हो जाते हैं। संक्षेप में, जनरेटिव AI शोधकर्ताओं को तेजी से और स्मार्ट तरीके से नवाचार करने की अनुमति देता है, एक ही समय में एक सफल अणु के कई पहलुओं के लिए एक साथ अनुकूलन करता है, न कि प्रत्येक को अलग से।

ChemPass AI के अंदर: जनरेटिव मॉडल कैसे अणुओं को डिज़ाइन करते हैं

Evogene के ChemPass AI प्लेटफ़ॉर्म के दिल में एक शक्तिशाली नया फाउंडेशन मॉडल है जो एक विशाल रासायनिक डेटासेट पर प्रशिक्षित है। कंपनी ने एक क्यूरेटेड डेटाबेस तैयार किया है जिसमें लगभग 40 अरब अणु संरचनाएं – ज्ञात दवा-जैसे यौगिकों और विविध रासायनिक सcaffolds को शामिल करती हैं – AI को अणुओं की “भाषा” सिखाने के लिए। Google Cloud के Vertex AI इन्फ्रास्ट्रक्चर के साथ GPU सुपरकंप्यूटिंग का उपयोग करते हुए, मॉडल ने इस विशाल रासायनिक पुस्तकालय से पैटर्न सीखे, जिससे यह दवा-जैसे अणुओं के बारे में एक अभूतपूर्व गहराई का ज्ञान प्राप्त करता है। यह बड़ा प्रशिक्षण कार्यक्रम एक बड़े भाषा मॉडल को प्रशिक्षित करने के समान है, लेकिन इसके बजाय AI ने रासायनिक प्रतिनिधित्व सीखा।

Evogene का जनरेटिव मॉडल ट्रांसफॉर्मर न्यूरल नेटवर्क आर्किटेक्चर पर आधारित है, जो प्राकृतिक भाषा प्रसंस्करण में क्रांति लाने वाले GPT मॉडल के समान है। वास्तव में, सिस्टम को ChemPass-GPT के रूप में जाना जाता है, जो एक प्रोप्राइटरी AI मॉडल है जो SMILES स्ट्रिंग (अणु संरचनाओं का एक पाठ एन्कोडिंग) पर प्रशिक्षित है। सरल शब्दों में, ChemPass-GPT अणुओं को वाक्यों की तरह मानता है – प्रत्येक अणु की SMILES स्ट्रिंग एक पात्रों की श्रृंखला है जो इसके परमाणुओं और बंधनों का वर्णन करती है। ट्रांसफॉर्मर मॉडल ने इस रासायनिक भाषा के व्याकरण को सीखा है, जिससे यह नए अणुओं को “लिखने” में सक्षम होता है, एक अक्षर एक समय में भविष्यवाणी करके, जिस तरह GPT वाक्य लिख सकता है। चूंकि यह अरबों उदाहरणों पर प्रशिक्षित किया गया है, मॉडल नए SMILES उत्पन्न कर सकता है जो रासायनिक रूप से वैध, दवा-जैसे संरचनाओं के अनुरूप हैं।

यह क्रम-आधारित जनरेटिव दृष्टिकोण जटिल पैटर्न को पकड़ने में ट्रांसफॉर्मर की ताकत का लाभ उठाता है। इतने बड़े और रासायनिक रूप से विविध डेटासेट पर प्रशिक्षित करके, ChemPass AI पूर्व के AI मॉडल को जो समस्याओं का सामना करना पड़ा, जैसे छोटे डेटासेट से पूर्वाग्रह या अप्रासंगिक या अमान्य अणुओं का उत्पादन करना। फाउंडेशन मॉडल का प्रदर्शन पहले से ही एक जेनेरिक GPT की तुलना में बहुत आगे है, जो रासायनिक रूप से काम करने वाली संरचनाओं को उत्पन्न करने में लगभग 90% सटीकता दिखाता है, जबकि एक पारंपरिक GPT-आधारित मॉडल के लिए ~29% सटीकता है। व्यावहारिक रूप से, इसका अर्थ है कि लगभग सभी अणु ChemPass AI द्वारा सुझाए गए न केवल नए हैं, बल्कि उनके लक्ष्य प्रोफ़ाइल को भी मारते हैं, जो बेसलाइन जनरेटिव तकनीकों की तुलना में एक उल्लेखनीय सुधार है।

Evogene का प्राथमिक जनरेटिव इंजन रेखीय SMILES पर एक ट्रांसफॉर्मर का उपयोग करता है, यह ध्यान देने योग्य है कि व्यापक AI टूलकिट में अन्य संरचनाएं जैसे ग्राफ न्यूरल नेटवर्क (GNNs) शामिल हैं। अणु प्राकृतिक ग्राफ होते हैं – जिसमें परमाणु नोड्स के रूप में और बंधन किनारों के रूप में होते हैं – और GNN सीधे इन संरचनाओं पर तर्क कर सकते हैं। आधुनिक दवा डिजाइन में, GNN अक्सर गुणों की भविष्यवाणी करने या अणुओं को परमाणु-दर-परमाणु निर्माण करके उत्पन्न करने के लिए उपयोग किया जाता है। यह ग्राफ-आधारित दृष्टिकोण अनुक्रम मॉडल के पूरक है; उदाहरण के लिए, Evogene के प्लेटफ़ॉर्म में DeepDock जैसे उपकरण भी शामिल हैं जो 3D वर्चुअल स्क्रीनिंग के लिए उपयोग किए जाते हैं, जो संभवतः संरचना-आधारित संदर्भ में अणु बंधन का मूल्यांकन करने के लिए गहरे शिक्षण का उपयोग करते हैं। अनुक्रम मॉडल (नवाचार और नई उत्पत्ति के लिए महान) के साथ ग्राफ-आधारित मॉडल (संरचनात्मक सटीकता और गुण भविष्यवाणी के लिए महान) को जोड़कर, ChemPass AI सुनिश्चित करता है कि इसके द्वारा उत्पन्न यौगिक न केवल कागज़ पर नए हैं, बल्कि व्यावहारिक रूप से रासायनिक रूप से ध्वनि और प्रभावी भी हैं। AI का डिज़ाइन लूप उम्मीदवार संरचनाओं को उत्पन्न कर सकता है और फिर उन्हें विषाक्तता या सिंथेटिक क्षमता जैसे मानदंडों के लिए भविष्यसूचक मॉडल के माध्यम से मूल्यांकन कर सकता है – संभवतः GNN-आधारित – एक प्रतिक्रिया चक्र बनाता है जो प्रत्येक सुझाव को परिष्कृत करता है।

बहु-उद्देश्य अनुकूलन: प्रभावशीलता, विषाक्तता, स्थिरता एक साथ

ChemPass AI की एक प्रमुख विशेषता इसकी निर्मित बहु-उद्देश्य अनुकूलन क्षमता है। क्लासिक दवा खोज अक्सर एक समय में एक गुण को अनुकूलित करती है, लेकिन ChemPass को कई उद्देश्यों को एक ही समय में संभालने के लिए डिज़ाइन किया गया है। यह उन्नत मशीन लर्निंग तकनीकों के माध्यम से प्राप्त किया जाता है जो जनरेटिव मॉडल को कई प्रतिबंधों को संतुष्ट करने की दिशा में मार्गदर्शन करती हैं। प्रशिक्षण में, Evogene गुण आवश्यकताओं को लागू कर सकता है – जैसे कि एक अणु को एक निश्चित लक्ष्य को मजबूती से सक्रिय करना चाहिए, कertain विषाक्त मोटिफ से बचना चाहिए, और अच्छी जैवउपलब्धता होनी चाहिए – और मॉडल उन नियमों के तहत रासायनिक स्थान का नेविगेशन सीखता है। ChemPass-GPT सिस्टम यहां तक कि “प्रतिबंध-आधारित पीढ़ी” को भी सक्षम बनाता है, जिसका अर्थ है कि यह केवल विशिष्ट वांछित गुणों को पूरा करने वाले अणुओं का प्रस्ताव कर सकता है।

AI यह बहु-पैरामीटर संतुलन कैसे हासिल करता है? एक दृष्टिकोण बहु-कार्य सीखना है, जहां मॉडल न केवल अणुओं का उत्पादन करता है, बल्कि उनके गुणों की भविष्यवाणी भी सीखे हुए भविष्यवाणियों का उपयोग करके करता है, और तदनुसार उत्पादन को समायोजित करता है। एक और शक्तिशाली दृष्टिकोण सुदृढ़ सीखना (RL) है। एक RL-संवर्धित कार्यप्रवाह में, जनरेटिव मॉडल एक “एजेंट” की तरह काम करता है जो एक अणु डिज़ाइन “गेम” खेलता है: यह एक अणु का प्रस्ताव करता है और फिर एक पुरस्कार स्कोर प्राप्त करता है जो यह देखता है कि कितनी अच्छी तरह से वह अणु उद्देश्यों (प्रभावशीलता, विषाक्तता की कमी, आदि) को पूरा करता है। कई पुनरावृत्तियों के बाद, मॉडल अपनी पीढ़ी रणनीति को समायोजित करता है ताकि यह पुरस्कार को अधिकतम कर सके। इस पद्धति का उपयोग अन्य AI-संचालित दवा डिज़ाइन प्रणालियों में सफलतापूर्वक किया गया है – शोधकर्ताओं ने दिखाया है कि सुदृढ़ सीखने के अल्गोरिदम जनरेटिव मॉडल को वांछित गुणों वाले अणुओं का उत्पादन करने के लिए मार्गदर्शन कर सकते हैं. सारांश में, AI को एक पुरस्कार फ़ंक्शन के साथ प्रशिक्षित किया जा सकता है जो कई लक्ष्यों को शामिल करता है, जैसे कि प्रभावशीलता के लिए बिंदु देना और विषाक्तता की भविष्यवाणी के लिए बिंदु घटाना। मॉडल तब अपने “चालों” (परमाणुओं को जोड़ना या हटाना, कार्यात्मक समूहों को बदलना) को अधिकतम स्कोर प्राप्त करने के लिए अनुकूलित करता है, प्रभावी रूप से सभी मानदंडों को संतुष्ट करने के लिए आवश्यक व्यापार-बंद को सीखता है।

Evogene ने ChemPass AI के बहु-उद्देश्य इंजन के पीछे सटीक प्रोप्राइटरी सॉस का खुलासा नहीं किया है, लेकिन उनके परिणामों से यह स्पष्ट है कि ऐसी रणनीतियां काम कर रही हैं। यह तथ्य कि प्रत्येक उत्पन्न यौगिक “महत्वपूर्ण मापदंडों” जैसे प्रभावशीलता, संश्लेषण और सुरक्षा को एक साथ पूरा करता है। आगामी ChemPass AI संस्करण 2.0 इसे और आगे ले जा रहा है – इसका विकास विशिष्ट चिकित्सीय क्षेत्रों या फसल आवश्यकताओं के लिए उपयोगकर्ता-परिभाषित मानदंडों सहित अधिक लचीले बहु-पैरामीटर ट्यूनिंग की अनुमति देने के लिए किया जा रहा है। यह सुझाव देता है कि अगली पीढ़ी का मॉडल शोधकर्ताओं को कertain कारकों (जैसे मस्तिष्क प्रवेश के लिए प्राथमिकता या पर्यावरणीय जैव अपघटन के लिए प्राथमिकता) के महत्व को समायोजित करने की अनुमति देगा और AI अपनी डिज़ाइन रणनीति को उसी के अनुसार समायोजित करेगा। बहु-उद्देश्य क्षमताओं को एकीकृत करके, ChemPass AI एक ही समय में कई प्रदर्शन मेट्रिक्स पर एक मीठा स्थान मारने वाले अणुओं को डिज़ाइन कर सकता है, जो पारंपरिक तरीकों से व्यावहारिक रूप से असंभव है।

पारंपरिक अनुसंधान और विकास विधियों से एक कदम आगे

ChemPass AI के जनरेटिव मॉडल का आगमन जीवन विज्ञान अनुसंधान और विकास में एक व्यापक बदलाव को दर्शाता है: श्रमसाध्य परीक्षण और त्रुटि कार्य प्रवाह से AI-संवर्धित रचनात्मकता और सटीकता की ओर। मानव रसायनज्ञों के विपरीत, जो जाने जाने वाले रासायनिक श्रृंखला में चिपके रहते हैं और धीरे-धीरे पुनरावृत्ति करते हैं, एक AI अरबों संभावनाओं की कल्पना कर सकता है और अन्वेषण किए जाने वाले 99.9% रासायनिक स्थान में प्रवेश कर सकता है। यह नए, पेटेंट योग्य उत्पादों के निर्माण के लिए आवश्यक नए यौगिकों की खोज के लिए दरवाजा खोलता है जो हमने पहले नहीं देखे हैं। इसके अलावा, पेटेंटयोग्यता को शुरू से ही ध्यान में रखते हुए, जनरेटिव AI बौद्धिक संपदा के भीड़भाड़ वाले क्षेत्रों से बचने में मदद करता है। Evogene स्पष्ट रूप से ताज़ा आईपी के साथ अणुओं का उत्पादन करने का लक्ष्य रखता है, जो एक महत्वपूर्ण प्रतिस्पर्धी लाभ है।

पारंपरिक दृष्टिकोणों पर लाभों को निम्नलिखित रूप में सारांशित किया जा सकता है:

• सामांतर बहु-विशेषता अनुकूलन: AI कई पैरामीटर को एक साथ मूल्यांकन करता है, जो प्रभावशीलता, सुरक्षा और अन्य मानदंडों को संतुष्ट करने वाले अणुओं को डिज़ाइन करता है। पारंपरिक पाइपलाइन, इसके विपरीत, अक्सर केवल एक विषाक्तता मुद्दे की खोज करती है जब एक अन्यथा आशाजनक दवा वर्षों के काम के बाद देर से चरणों में विफल हो जाती है। इस तरह के मुद्दों को पहले से फ़िल्टर करके, AI-डिज़ाइन किए गए उम्मीदवारों के पास बाद के महंगे परीक्षणों में सफलता की बेहतर संभावना होती है।

• रासायनिक विविधता का विस्तार: जनरेटिव मॉडल मौजूदा यौगिक पुस्तकालयों तक सीमित नहीं हैं। ChemPass AI ऐसी संरचनाएं बना सकता है जो पहले कभी नहीं बनाई गई हैं, लेकिन जो प्रभावी होने की भविष्यवाणी की जाती हैं। यह नवाचार-संचालित पीढ़ी पहिया को फिर से आविष्कार करने से बचती है और नए तरीकों के साथ विभेदित उत्पादों का निर्माण करने में मदद करती है। पारंपरिक तरीके अक्सर “मी-टू” यौगिकों की ओर ले जाते हैं जो थोड़ा नवाचार प्रदान करते हैं।

• गति और पैमाना: एक टीम के रसायनज्ञ जो संश्लेषण और परीक्षण के माध्यम से एक वर्ष में प्राप्त कर सकते हैं, एक AI कुछ दिनों में अनुकरण कर सकता है। ChemPass AI का गहरा शिक्षण प्लेटफ़ॉर्म तेजी से अरबों यौगिकों की आभासी स्क्रीनिंग कर सकता है और एक ही रन में सैकड़ों नए विचार उत्पन्न कर सकता है। यह खोज की समयसीमा को नाटकीय रूप से संकुचित करता है, प्रयोगशाला प्रयोगों को केवल उन सबसे आशाजनक उम्मीदवारों पर केंद्रित करता है जिन्हें आभासी में पहचाना जाता है।

• एकीकृत ज्ञान: AI मॉडल जैसे ChemPass अपने प्रशिक्षण में विशाल राशि के रासायनिक और जैविक ज्ञान (जैसे ज्ञात संरचना-गतिविधि संबंध, विषाक्तता अलर्ट, दवा-जैसे गुण नियम) को एकीकृत करते हैं। इसका मतलब है कि प्रत्येक अणु डिज़ाइन विशाल पूर्व डेटा की गहराई से लाभान्वित होता है जो कोई एक मानव विशेषज्ञ अपने सिर में नहीं रख सकता। पारंपरिक डिज़ाइन मानव विशेषज्ञों के अनुभव पर निर्भर करता है – मूल्यवान लेकिन मानव स्मृति और पूर्वाग्रह तक सीमित – जबकि AI लाखों प्रयोगों और विविध रासायनिक परिवारों में पैटर्न को पकड़ सकता है।

व्यावहारिक रूप से, फार्मास्यूटिकल्स के लिए इसका अर्थ हो सकता है कि नैदानिक ​​परीक्षणों में उच्च सफलता दर और विकास लागत में कमी, क्योंकि कम संसाधन विफल उम्मीदवारों पर बर्बाद होते हैं। कृषि में, इसका अर्थ है सुरक्षित, अधिक टिकाऊ फसल सुरक्षा समाधानों का तेजी से निर्माण – उदाहरण के लिए, एक खरपतवार नाशक जो खरपतवार के लिए घातक है लेकिन गैर-लक्ष्य जीवों और पर्यावरण के लिए हानिरहित है। प्रभावशीलता और पर्यावरणीय सुरक्षा दोनों को एक साथ अनुकूलित करके, AI “प्रभावी, स्थायी और प्रोप्राइटरी” कृषि-रसायनों को वितरित करने में मदद कर सकता है – नियामक और प्रतिरोध चुनौतियों को एक ही समय में संबोधित करता है।

Evogene में व्यापक AI टूलबॉक्स का हिस्सा

जबकि ChemPass AI छोटे अणुओं के डिज़ाइन के लिए सुर्खियों में रहता है, यह Evogene के तीन AI-संचालित “टेक-इंजन” में से एक है जो विभिन्न डोमेन के लिए तैयार किए गए हैं। कंपनी के पास MicroBoost AI है जो माइक्रोब्स पर केंद्रित है, ChemPass AI रसायन पर, और GeneRator AI जेनेटिक तत्वों पर। प्रत्येक इंजन अपने संबंधित क्षेत्र में बड़े डेटा विश्लेषण और मशीन लर्निंग को लागू करता है।

AI इंजनों का यह एकीकृत पारिस्थितिकी तंत्र Evogene की “AI-पहले” जीवन विज्ञान कंपनी की रणनीति को रेखांकित करता है। वे उत्पाद खोज को पूरी तरह से क्रांतिकारी बनाने का लक्ष्य रखते हैं – चाहे वह एक दवा हो, एक जैव-उत्तेजक, या एक सूखा सहन करने वाली फसल – जैविक जटिलता का नेविगेशन करने के लिए गणना का उपयोग करके। इंजन एक सामान्य दर्शन को साझा करते हैं: अनुसंधान और विकास में सफलता की संभावना बढ़ाने और समय और लागत को कम करने के लिए मशीन लर्निंग का लाभ उठाना।

आउटलुक: AI-संचालित खोज का युग

जनरेटिव AI अणु खोज को बदल रहा है, AI की भूमिका को सहायक से रचनात्मक सहयोगी में बदल रहा है। एक-एक करके विचारों का परीक्षण करने के बजाय, वैज्ञानिक अब AI का उपयोग पूरी तरह से नए यौगिकों को डिज़ाइन करने के लिए कर सकते हैं जो कई लक्ष्यों को एक ही समय में पूरा करते हैं – प्रभावशीलता, सुरक्षा, स्थिरता, और अधिक – एक ही कदम में।

यह भविष्य पहले से ही खुल रहा है। एक फार्मास्यूटिकल टीम एक अणु के लिए अनुरोध कर सकती है जो एक विशिष्ट प्रोटीन को लक्षित करता है, मस्तिष्क से बचता है, और मौखिक रूप से उपलब्ध है – AI मांग पर उम्मीदवार प्रदान कर सकता है। कृषि में, शोधकर्ता नियामक और पर्यावरणीय प्रतिबंधों के लिए अनुकूलित पारिस्थितिकी-मित्र पेस्ट नियंत्रण उत्पन्न कर सकते हैं।

Evogene का हालिया फाउंडेशन मॉडल, जिसे Google Cloud के साथ विकसित किया गया है, इस बदलाव का एक उदाहरण है। यह बहु-पैरामीटर डिज़ाइन को सक्षम बनाता है और नई रासायनिक स्थान के क्षेत्रों को खोलता है। जैसे-जैसे भविष्य के संस्करण अधिक अनुकूलन की अनुमति देंगे, ये मॉडल जीवन विज्ञान में आवश्यक उपकरण बन जाएंगे।

महत्वपूर्ण बात यह है कि प्रभाव वास्तविक दुनिया के मूल्यांकन पर निर्भर करता है। जैसे-जैसे AI-उत्पन्न अणु परीक्षण और रिफ़ाइन किए जाते हैं, मॉडल में सुधार होता है – गणना और प्रयोग के बीच एक शक्तिशाली प्रतिक्रिया पाश बनाता है।

यह जनरेटिव दृष्टिकोण दवाओं या कीटनाशकों तक सीमित नहीं है। यह जल्द ही सामग्री, भोजन और स्थिरता में सफलता को बढ़ावा दे सकता है – उन उद्योगों में खोज को तेजी से और चतुर बनाने की पेशकश करता है जो पहले परीक्षण और त्रुटि से सीमित थे।