थॉमस क्लोज़ेल, एम.डी., ओवकिन के सह-संस्थापक और सीईओ – साक्षात्कार श्रृंखला

Thomas Clozel, M.D. ओवकिन के सह-संस्थापक और सीईओ हैं, जो स्वास्थ्य देखभाल उद्योग में क्रांति ला रही एक एआई बायोटेक कंपनी है। क्लिनिकल रिसर्च की पृष्ठभूमि के साथ, क्लोज़ेल ने 2016 में ओवकिन की स्थापना से ही इसे नेतृत्व करने में महत्वपूर्ण भूमिका निभाई है। उनके नेतृत्व में कंपनी ने उल्लेखनीय माइलस्टोन हासिल किए हैं, जिसमें बड़ी फंडिंग जुटाना और प्रमुख फ़ार्मास्यूटिकल कंपनियों के साथ रणनीतिक साझेदारी बनाना शामिल है। वह पेरिस के हॉस्पिटल हेनरी मोन्डोर में क्लिनिकल ऑनको‑हिमेटोलॉजी के सहायक प्रोफ़ेसर और वीएल कॉर्नेल मेडिकल कॉलेज में डॉ. एरी मेल्निक की ऑन्कोलॉजी लैब के पूर्व सदस्य भी रहे हैं।

Owkin एक एआई बायोटेक्नोलॉजी कंपनी है जो स्वायत्त एआई सिस्टम विकसित करती है, जो बायोमेडिकल रिसर्च और दवा खोज को तेज़ करने के लिए डिज़ाइन किए गए हैं। 2016 में ऑन्कोलॉजिस्ट थॉमस क्लोज़ेल और मशीन लर्निंग शोधकर्ता गिल्स वैनरिब द्वारा स्थापित, कंपनी उन्नत एआई मॉडल को मल्टीमॉडल रोगी डेटा, जैविक अनुसंधान और क्लिनिकल विशेषज्ञता के साथ जोड़ती है, ताकि फ़ार्मास्यूटिकल टीमें रोग को बेहतर समझ सकें, चिकित्सीय लक्ष्य पहचान सकें, बायोमार्कर खोज सकें और अधिक सूचित आर&डी निर्णय ले सकें। इसका प्रमुख प्लेटफ़ॉर्म, K Pro, एक एआई वैज्ञानिक की तरह कार्य करता है, जो जटिल जैविक प्रश्नों का विश्लेषण करने के लिए विशेष मॉडल और शोध उपकरणों को व्यवस्थित करता है, जबकि ओवकिन अंततः वह बायोलॉजिकल आर्टिफिशियल सुपरइंटेलिजेंस (BASI) बनाना चाहता है, जो स्व-उन्नत एआई सिस्टम है, जो दवा खोज प्रक्रिया के बड़े हिस्से को स्वायत्त रूप से संचालित कर सके।

ओवकिन ने सैनोफ़ी, ब्रिस्टल मायर्स स्क्विब, और एमएसडी सहित प्रमुख बायोफ़ार्मा कंपनियों के साथ रणनीतिक संबंध स्थापित किए हैं, और शैक्षणिक शोधकर्ता, चिकित्सक, रोगी डेटा साझेदार और प्रयोगशाला बुनियादी ढाँचा सहित एक वैश्विक नेटवर्क बनाया है।

आपका करियर क्लिनिकल हेमा‍टोलॉजी, ऑन्कोलॉजी रिसर्च और कम्प्यूटेशनल बायोलॉजी में फैला हुआ है। जब आपने 2016 में ओवकिन की सह-स्थापना की, तो आपने पारंपरिक मेडिकल रिसर्च में कौन‑से सीमाएँ देखीं जो आपको लगा कि एआई वैज्ञानिकों को रोग को अलग तरह से समझने में मदद कर सकता है?

मैं एक ऑन्कोलॉजिस्ट था और 35‑वर्षीय कैंसर रोगियों को देख रहा था, लेकिन उनके इतिहास में यह समझाने वाला कुछ नहीं था कि उन्हें यह रोग क्यों हुआ या क्यों पुनरावृत्ति हुई। और हमारे पास इसे समझाने के लिए अच्छा विज्ञान नहीं था — पिछले सौ वर्षों के सभी शोध के बावजूद। इसलिए मुझे लगा: जीवविज्ञान मानव‑स्तर की समस्या नहीं है। इसे अणुओं से लेकर पूरे जीवों तक, और कई प्रकार के डेटा—टिश्यू बायोप्सी से लेकर रोगी के उपचार इतिहास तक—पर एक साथ तर्क करने की जरूरत है। इसके लिए हमें एआई चाहिए। और मेरा मानना था कि मानव में इस समझ के सबसे करीब डेटा रोगी डेटा ही है। इसलिए 2016 में मैंने गिल्स वैनरिब के साथ ओवकिन की सह-स्थापना की, और हम फेडरेटेड लर्निंग से शुरू किया — एक ऐसी विधि जो एआई मॉडलों को अस्पताल डेटा से सीखने देती है बिना डेटा को अस्पताल से बाहर निकाले — ताकि उस डेटा को अनलॉक करके उत्तर प्राप्त किए जा सकें।

जनरेटिव एआई बड़ी संख्या में संभावित जैविक परिकल्पनाएँ उत्पन्न कर सकता है। शोधकर्ताओं को कैसे पता चल सकता है कि कोई नई खोज वास्तव में नवीन है या वह केवल एक प्रभावशाली लेकिन अंततः गलत एआई‑जनित सहसंबंध है?

आपको सभी परिकल्पनाओं को तब तक गलत मानना चाहिए जब तक आप उन्हें सिद्ध न कर लें। यह डिज़ाइन के अनुसार है। मेरा मानना है कि फंटेयर एआई एजेंट — उन्नत, स्वायत्त एआई सिस्टम — जब सही टूल और डेटा तक पहुंच प्राप्त करेंगे, तो वे सटीक परिकल्पनाएँ उत्पन्न करने में हमसे बेहतर होंगे। और ओवकिन में, हमारे मॉडल परिकल्पनाओं को इस आधार पर रैंक करते हैं कि वे कितनी संभावना रखती हैं कि वे टिकें, डेटा से सीखे गए पैटर्न के आधार पर।

फिर भी हमें उन्हें पहले प्रयोगशाला में और फिर क्लिनिकल ट्रायल में परीक्षण करना पड़ता है, इससे पहले कि हम उन पर पूर्ण भरोसा कर सकें। ओवकिन में हम इसे “लैब इन द लूप” कहते हैं — प्रत्येक एआई भविष्यवाणी को वास्तविक जैविक नमूनों पर परीक्षण करने के बाद ही भरोसेमंद माना जाता है — और फिर क्लिनिकल ट्रायल में। इसलिए हमें हर परिकल्पना को प्रयोगात्मक रूप से परीक्षण करना पड़ता है, जैसा हम हमेशा करते आए हैं। लेकिन एआई हमें संसाधनों का बेहतर उपयोग करने में मदद करता है, क्योंकि यह हमें उन परीक्षण मार्गों की ओर निर्देशित करता है जो सफल होने की सबसे अधिक संभावना रखते हैं।

K Pro पैथोलॉजी, जीनोमिक्स, स्पैटियल बायोलॉजी और क्लिनिकल आउटकम्स को जोड़ता है। इन विभिन्न डेटा प्रकारों को एक साथ लाने से एकल डेटासेट या मोडैलिटी पर निर्भर रहने की तुलना में अधिक मजबूत जैविक प्रमाण कैसे प्राप्त होते हैं?

हम यह समझने की कोशिश कर रहे हैं कि किसी व्यक्ति के रोग का पूरा कारण क्या है। इन प्रत्येक डेटा प्रकार से आपको उसका एक स्नैपशॉट मिलता है — लेकिन कोई एकल प्रकार पूरी, कारणात्मक व्याख्या नहीं दे सकता।

यदि आप रोग को एक साथ कई दृष्टिकोणों से देख सकें, तो आप पूरी तस्वीर के करीब पहुँचते हैं। यही वह है जो हम हर जैविक स्तर पर करना चाहते हैं — उदाहरण के लिए, जीन एक्टिविटी को टिश्यू की भौतिक संरचना से जोड़ना, और रोगी की अंतर्निहित जीवविज्ञान (उनके जीन और अणु) को क्लिनिक में देखी गई चीज़ों (टिश्यू इमेज, मेडिकल रिकॉर्ड, उपचार प्रतिक्रिया) से जोड़ना।

यही एआई की महत्त्वता है: यह इन बहुत अलग‑अलग डेटा प्रकारों को मिलाकर उन अंतर्निहित पैटर्न को खोजता है जो पूरी तस्वीर के करीब ले जाते हैं — कुछ ऐसा जो मानव मस्तिष्क के लिए अकेले करना अत्यंत कठिन है।

ओवकिन एआई‑जनित खोजों को तथ्यों के बजाय परिकल्पनाओं के रूप में वर्णित करता है। K Pro की एक परिकल्पना को आपके टीम द्वारा जैविक रूप से पर्याप्त अर्थपूर्ण मानने और दवा‑विकास निर्णय को प्रभावित करने से पहले किन चरणों से गुजरना पड़ता है?

चार चरण।

पहला, कम्प्यूटेशनल प्रतिकृति: क्या संकेत स्वतंत्र रोगी डेटासेट के खिलाफ और उन डेटा प्रकारों के खिलाफ टिकता है जो मूल रूप से इसे उत्पन्न करने में उपयोग नहीं किए गए थे? यह चरण चलाने में सस्ता है और अधिकांश उम्मीदवारों को शुरुआती चरण में ही हटाता है।

दूसरा, यांत्रिक जांच: क्या एक सुसंगत, कारणात्मक व्याख्या — एक संभावित नई जीवविज्ञान — मौजूद है? और क्या साक्ष्य वास्तव में वही कहता है जो मॉडल दावा करता है? हम केवल निष्कर्ष नहीं, बल्कि अंतर्निहित साक्ष्य की जाँच करते हैं। यहाँ हमारे विशेषज्ञ बायोमेडिकल टीम का इनपुट अत्यंत महत्वपूर्ण है।

तीसरा, हम इसे प्रयोगशाला में परीक्षण करते हैं। हम रोगी‑उत्पन्न मॉडलों — जिसमें ऑर्गेनॉइड (रोगी के ट्यूमर के लघु, लैब‑उगाए संस्करण) शामिल हैं — के माध्यम से दवा परीक्षण और जीन‑एडिटिंग प्रयोग करते हैं। यही वह चरण है जहाँ सहसंबंध वास्तविक कारणात्मक दावे में बदलता है, या नहीं।

चौथा, रोगी। हम वर्तमान में OKN4395 — एक ड्रग उम्मीदवार, जिसकी अंतर्निहित जीवविज्ञान को K Pro ने समझने में मदद की — को अपने INVOKE क्लिनिकल ट्रायल में परीक्षण कर रहे हैं। हम उसी ट्रायल का उपयोग अपने एआई को सुधारने के लिए भी कर रहे हैं: यह पूरे ट्रायल के दौरान विस्तृत रोगी डेटा एकत्र करता है, इसलिए हम केवल एक दवा का परीक्षण नहीं कर रहे, बल्कि यह भी परीक्षण कर रहे हैं कि मॉडल का रोग‑मैकेनिज़्म और सही रोगी जनसंख्या के बारे में तर्क सही था या नहीं।

ओवकिन चयनित K Pro भविष्यवाणियों को अपने वेट लैब में रोगी‑उत्पन्न ऑर्गेनॉइड और जीनेटिक पर्टर्बेशन जैसी विधियों से परीक्षण करता है। यह प्रयोगशाला प्रतिक्रिया सिस्टम को कैसे सुधारती है, और जब प्रयोगात्मक परिणाम मूल भविष्यवाणी के विपरीत होते हैं तो क्या होता है?

K Pro नई जीवविज्ञान की भविष्यवाणी करता है, हम प्रयोग डिजाइन करते हैं, और इसे रोगी‑उत्पन्न लैब मॉडलों — जिसमें ऑर्गेनॉइड, को‑कल्चर (विभिन्न सेल प्रकारों को साथ‑साथ बढ़ाकर उनके अंतःक्रिया देखना) और विशिष्ट जीन को ऑन या ऑफ करने वाले मॉडल — के माध्यम से परीक्षण करते हैं। परिणाम फिर सिस्टम में वापस जाकर उसे सुधारते हैं। आज, इस लूप के कुछ हिस्से अभी भी मैन्युअल रूप से किए जाते हैं; पूरी स्वचालन हमारा अगला कदम है।

हमने इस प्रतिक्रिया के प्रभाव को पहले ही माप लिया है। इस साल हमने ArXiv (वैज्ञानिक पेपरों के लिए एक रिपॉजिटरी) पर एक अध्ययन जारी किया, जिसमें दिखाया गया कि वह एआई एजेंट जो इस प्रकार की क्रमिक लैब प्रतिक्रिया प्राप्त करते हैं, जीन की पहचान में यादृच्छिक चयन की तुलना में 166‑185 % बेहतर होते हैं, जो जीन सेल के व्यवहार को सार्थक रूप से बदलते हैं — वही जीन जो दवा के लक्ष्य के रूप में मूल्यवान होते हैं।

फ़ार्मास्यूटिकल कंपनियों को एआई वैज्ञानिक का मूल्यांकन करने के लिए कौन‑से मेट्रिक्स उपयोग करने चाहिए? क्या सफलता को भविष्यवाणी सटीकता, पुनरावृत्ति, सत्यापित लक्ष्य संख्या, बेहतर क्लिनिकल‑ट्रायल निर्णय या किसी अन्य मानक से मापा जाना चाहिए?

हम मानते हैं कि सबसे महत्वपूर्ण बेंचमार्क विश्वसनीयता है। एक एआई जो कभी‑कभी बहुत सटीक उत्तर देता है, वह रोचक है, लेकिन एआई सिस्टम तभी उद्योग के लिए वास्तव में उपयोगी बनते हैं जब वे एक ही प्रश्न का वही उत्तर, लगातार, विश्वसनीय रूप से दे सकें, चाहे आप उनसे कितनी भी बार पूछें।

यही कारण है कि ये सिस्टम चमकीले डेमो से वास्तविक वर्कफ़्लो के आधार तक पहुँचते हैं। यही कारण है कि हमने K Pro को इस तरह बनाया है कि उसके अंदर की एआई तर्क प्रक्रिया हर बार वही पुनरावृत्त, पारदर्शी प्रक्रिया अपनाए, जब भी वह प्रश्न का उत्तर देता है।

वैज्ञानिक पुनरावृत्ति दवा शोध में अनिवार्य है। K Pro कैसे शोधकर्ताओं को दिखाता है कि कौन‑से डेटासेट, विश्लेषणात्मक वर्कफ़्लो और तर्क चरण किसी निष्कर्ष में योगदान देते हैं, ताकि उसके निष्कर्ष स्वतंत्र रूप से समीक्षा किए जा सकें?

K Pro उस तर्क प्रक्रिया को दस्तावेज़ और प्रदर्शित करता है, जो एआई प्रत्येक प्रश्न का उत्तर देने के लिए अपनाता है।

प्रत्येक उपयोग किया गया डेटासेट स्रोत और संस्करण द्वारा पहचाना जाता है। आप प्रत्येक फ़िल्टरिंग चरण में रोगी समूह को संकीर्ण होते देख सकते हैं — उदाहरण के लिए, चार हजार रोगी कैसे तीन सौ में बदल गए। प्रत्येक टूल जो वह कॉल करता है, दिखाया जाता है। प्रत्येक “स्किल” जो वह उपयोग करता है, दिखाया जाता है। प्रत्येक तर्क चरण दिखाया जाता है।

“स्किल” एक वैज्ञानिक वर्कफ़्लो है जिसे एक बार एन्कोड किया गया है — विश्लेषणों का क्रम, थ्रेशहोल्ड, तर्क — जिसे K Pro तब हर बार समान रूप से लागू करता है जब वह प्रासंगिक होता है। स्किल्स पुनरावृत्ति के लिए विशेष रूप से महत्वपूर्ण हैं, क्योंकि वे एआई सिस्टम की प्राकृतिक विविधता को कम करने के तरीकों में से एक हैं — वही कार्य दो बार चलाने पर वही उत्तर देना चाहिए। हम इस पर निरंतर काम कर रहे हैं, क्योंकि एआई के कार्य को सत्यापित करने की क्षमता हमारे उद्योग में एक प्रमुख लाभ है।

ओवकिन AstraZeneca और Sanofi के लिए विशेष रूप से निर्मित K Pro एजेंट विकसित कर रहा है। इन सहयोगों ने आपको एआई वैज्ञानिकों को स्थापित फ़ार्मास्यूटिकल वर्कफ़्लो में एकीकृत करने में क्या सिखाया है, बिना मानवीय निगरानी, गवर्नेंस या वैज्ञानिक कठोरता को कमजोर किए?

आपको फ़ार्मा कंपनियों के जहाँ‑जहाँ हैं, वहाँ मिलना पड़ता है। हर कंपनी की सेट‑अप, इतिहास और एआई अपनाने की इच्छा अलग‑अलग होती है — और प्रत्येक कंपनी के भीतर विभिन्न टीमों की ज़रूरतें भी अलग होती हैं।

हमारा लगभग एक दशक का फ़ार्मा कंपनियों के साथ अनुभव यह रहा है कि वे हमेशा निगरानी और कठोरता को प्राथमिकता देते हैं, और आप उनके गवर्नेंस मानकों को पूरा किए बिना दरवाज़ा भी नहीं खोल पाते।

इसलिए हमने K Pro को इंटरप्रिटेबल बनाया है — अर्थात आप देख सकते हैं कि यह कैसे तर्क करता है, कौन‑से टूल चुनता है, और कौन‑से डेटा को कॉल करता है — इतना लचीला कि यह कंपनी की मौजूदा प्रणालियों के भीतर काम कर सके बिना बुनियादी ढाँचे को बदले, और यह स्वामित्व डेटा को उसी जगह से एक्सेस कर सके जहाँ वह पहले से संग्रहीत है, बिना उसे कभी स्थानांतरित या डुप्लिकेट किए।

यह फ़ार्मा अपनाने के लिए आवश्यक भरोसा बनाने में बहुत मदद करता है।

मल्टीमॉडल रोगी डेटा संस्थागत पक्षपात, असंगत एनोटेशन और कम प्रतिनिधित्व वाली जनसंख्या को शामिल कर सकता है। ओवकिन इन सीमाओं को गलत जैविक निष्कर्षों या उन रोगियों की संख्या को सीमित करने से कैसे रोकता है जो किसी खोज से लाभ उठा सकते हैं?

सभी डेटा में किसी न किसी रूप में पक्षपात होता है, चाहे वह लैब से आया हो या रोगियों से जो उसका प्रतिनिधित्व करते हैं। हमारा दृष्टिकोण है कि हम अपने डेटासेट को पूरी तरह समझें, ताकि हम पहचान सकें कि पक्षपात मौजूद है या नहीं और उसे कैसे ध्यान में रखें।

हम यह इसलिए कर पाते हैं क्योंकि हमारे पास उन शोधकर्ताओं के साथ मजबूत संबंध हैं जिन्होंने मूल रूप से प्रत्येक डेटासेट उत्पन्न किया था, और वे हमें गहराई से उसका विश्लेषण करने में मदद करते हैं।

हमें भरोसा है कि यदि कोई प्रासंगिक डेटासेट मौजूद है, तो हम उसे ढूँढ़ सकते हैं। लेकिन यदि कोई अंतर है — उदाहरण के लिए, कोई रोगी जनसंख्या मौजूदा डेटा में पर्याप्त रूप से प्रतिनिधित्व नहीं करती — तो हम स्वयं अकादमिक साझेदारों के साथ, जैसे हमने अपने MOSAIC डेटासेट के साथ किया, नई डेटा को कठोर मानकों के साथ उत्पन्न करने में सक्षम हैं।

आपने ओवकिन के दीर्घकालिक लक्ष्य को बायोलॉजिकल आर्टिफिशियल सुपरइंटेलिजेंस के रूप में वर्णित किया है। आज के एआई रिसर्च टूल्स से इसे अलग करने वाली क्षमताएँ क्या होंगी, और कौन‑से प्रमाण आपको यह विश्वास दिलाएंगे कि कोई एआई सिस्टम वास्तव में जीवविज्ञान को समझता है, न कि केवल अधिक परिष्कृत पैटर्न को पहचानता है?

बायोलॉजिकल आर्टिफिशियल सुपरइंटेलिजेंस (BASI) — हमारा शब्द एक ऐसे एआई सिस्टम के लिए है जो स्वतंत्र रूप से वास्तव में नई, सही जीवविज्ञान का प्रस्ताव कर सके — तब आता है जब एक एआई सिस्टम लगातार नई रोग‑जीवविज्ञान का सुझाव देना शुरू कर देता है, जिसे मानव शोध ने अभी तक उजागर नहीं किया है, और बाद में वह सही साबित होता है।

हम इसके लिए एक ऐसा सिस्टम बना रहे हैं जो:

• स्वायत्त रूप से काम करे, अपने स्वयं के परिकल्पनाओं को परिष्कृत करे, बिना हर चरण में मानव हस्तक्षेप के, जिसमें स्वचालित प्रयोगशालाओं में प्रयोगों का डिजाइन और संचालन शामिल है
• जैविक प्रणालियों में कारण‑और‑परिणाम पर तर्क करे, न कि केवल सहसंबंधों को पहचानें

जहाँ तक यह सवाल है कि एआई वास्तव में “समझता” है या नहीं, यह एक रोचक दार्शनिक प्रश्न है। कब मॉडल की आंतरिक अभ्यावेदन इतनी जटिल हो जाती हैं कि उन्हें वास्तविक समझ माना जाए, न कि केवल अत्यधिक परिष्कृत पैटर्न‑मैचिंग? अभी के लिए, मैं इस बात से संतुष्ट हूँ कि वह नई जीवविज्ञान को विश्वसनीय रूप से सुझा सके, जो अंततः सत्य सिद्ध हो।

धन्यवाद इस शानदार साक्षात्कार के लिए, अधिक जानने के इच्छुक पाठकों को Owkin पर जाना चाहिए।