Evogene اور Google Cloud نے جنریٹو مالیکیول ڈیزائن کے لیے فاؤنڈیشن ماڈل کی نقاب کشائی کی، لائف سائنس AI میں ایک نئے دور کا آغاز کیا

Evogene Ltd. فرسٹ ان کلاس کی نقاب کشائی کی ہے۔ جنریٹو AI فاؤنڈیشن ماڈل چھوٹے مالیکیول ڈیزائن کے لیے، نئے مرکبات کی دریافت کے طریقے میں ایک پیش رفت کا نشان لگانا۔ اعلان 10 جون، 2025 کو، گوگل کلاؤڈ کے ساتھ مل کر، ماڈل Evogene کے ChemPass AI پلیٹ فارم کو بڑھاتا ہے اور فارماسیوٹیکل اور زراعت دونوں میں ایک دیرینہ چیلنج سے نمٹتا ہے: ایسے نئے مالیکیولز کی تلاش جو بیک وقت متعدد پیچیدہ معیارات پر پورا اترتے ہوں۔ یہ پیشرفت منشیات کی دریافت اور فصلوں کے تحفظ میں R&D کو تیز کرنے کے لیے تیار ہے تاکہ ایک ہی ڈیزائن سائیکل میں افادیت، زہریلا اور استحکام جیسی خصوصیات کی بیک وقت اصلاح کو فعال کر سکے۔

ترتیب وار اسکریننگ سے لے کر بیک وقت ڈیزائن تک

روایتی ادویات اور زراعت کی کیمیائی تحقیق میں، سائنس دان عام طور پر ایک وقت میں ایک عنصر کی جانچ کرتے ہیں- پہلے یہ جانچنا کہ آیا کوئی مرکب کام کرتا ہے، پھر بعد میں حفاظت اور استحکام کے لیے جانچ کرنا۔ یہ مرحلہ وار طریقہ سست، مہنگا اور اکثر ناکامی پر ختم ہوتا ہے، بہت سے امید افزا مرکبات بعد کے مراحل میں کم پڑ جاتے ہیں۔ یہ محققین کو واقف کیمیائی ڈھانچے پر بھی توجہ مرکوز رکھتا ہے، جدت کو محدود کرتا ہے اور نئی، پیٹنٹ کے قابل مصنوعات بنانا مشکل بناتا ہے۔ یہ فرسودہ نقطہ نظر زیادہ لاگت، طویل ٹائم لائنز، اور کامیابی کی کم شرح میں حصہ ڈالتا ہے۔ منشیات کے 90% امیدوار مارکیٹ تک پہنچنے سے پہلے ہی ناکام ہو جاتے ہیں۔.

جنریٹو AI اس تمثیل کو بدل دیتا ہے۔ یکے بعد دیگرے فلٹرنگ کے بجائے، AI ماڈلز ایک ساتھ متعدد تقاضوں کو پورا کر سکتے ہیں، مالیکیولز کو شروع سے ہی طاقتور اور محفوظ اور مستحکم بنانے کے لیے ڈیزائن کر سکتے ہیں۔ Evogene کا نیا فاؤنڈیشن ماڈل واضح طور پر اس بیک وقت ملٹی پیرامیٹر ڈیزائن کو فعال کرنے کے لیے بنایا گیا تھا۔ اس نقطہ نظر کا مقصد ابتدائی ڈیزائن میں ADME اور زہریلے پن جیسے فرنٹ لوڈنگ تحفظات کے ذریعے ترقی کے بعد کے مراحل کو خطرے سے بچانا ہے۔

عملی طور پر، اس کا مطلب کم دیر سے ہونے والی ناکامیاں ہو سکتی ہیں - مثال کے طور پر، منشیات کے کم امیدوار جو صرف ضمنی اثرات کی وجہ سے کلینیکل ٹرائلز میں ناکام ہونے کے لیے بہترین لیب کے نتائج دکھاتے ہیں۔ مختصراً، تخلیقی AI محققین کو تیز اور ہوشیار اختراع کرنے کی اجازت دیتا ہے، ہر ایک کو تنہائی میں حل کرنے کے بجائے ایک کامیاب مالیکیول کے بہت سے پہلوؤں کے لیے بیک وقت اصلاح کرتا ہے۔

ChemPass AI کے اندر: کس طرح جنریٹو ماڈل مالیکیولز کو ڈیزائن کرتے ہیں۔

Evogene کے ChemPass AI پلیٹ فارم کے مرکز میں ایک بہت بڑا کیمیکل ڈیٹا سیٹ پر تربیت یافتہ ایک طاقتور نیا فاؤنڈیشن ماڈل ہے۔ کمپنی نے ایک جمع کیا تقریباً 40 بلین مالیکیولر ڈھانچے کا کیوریٹڈ ڈیٹا بیس- معلوم منشیات جیسے مرکبات اور متنوع کیمیائی سہاروں پر پھیلا ہوا - AI کو مالیکیولز کی "زبان" سکھانے کے لیے۔ GPU سپر کمپیوٹنگ کے ساتھ Google Cloud کے Vertex AI انفراسٹرکچر کا استعمال کرتے ہوئے، ماڈل نے اس وسیع کیمیکل لائبریری سے نمونے سیکھے، جس سے یہ علم کی بے مثال وسعت دیتا ہے کہ منشیات جیسے مالیکیول کس طرح کے ہوتے ہیں۔ یہ بڑے پیمانے پر تربیتی طریقہ کار ایک بڑے زبان کے ماڈل کو تربیت دینے کے مترادف ہے، لیکن انسانی زبان کے بجائے، AI نے کیمیائی نمائندگی سیکھی۔

ایوجین کا جنریٹو ماڈل ٹرانسفارمر نیورل نیٹ ورک آرکیٹیکچر پر بنایا گیا ہے، جی پی ٹی ماڈلز کی طرح جس نے قدرتی زبان کی پروسیسنگ میں انقلاب برپا کیا۔ اصل میں، نظام کے طور پر کہا جاتا ہے ChemPass-GPT, ایک ملکیتی AI ماڈل جسے SMILES سٹرنگز پر تربیت دی گئی ہے (سالماتی ڈھانچے کی ٹیکسٹ انکوڈنگ)۔ سادہ الفاظ میں، ChemPass-GPT مالیکیولز کو جملوں کی طرح سمجھتا ہے – ہر مالیکیول کی SMILES سٹرنگ اس کے ایٹموں اور بانڈز کو بیان کرنے والے حروف کی ایک ترتیب ہے۔ ٹرانسفارمر ماڈل نے اس کیمیائی زبان کی گرامر سیکھ لی ہے، جس سے یہ ایک وقت میں ایک حرف کی پیش گوئی کر کے نئے مالیکیولز کو "لکھنے" کے قابل بناتا ہے، اسی طرح GPT جملے کو حرف بہ حرف لکھ سکتا ہے۔ چونکہ اس کی تربیت اربوں مثالوں پر کی گئی تھی، اس لیے یہ ماڈل ناول SMILES تیار کر سکتا ہے جو کیمیاوی طور پر درست، منشیات جیسی ساخت سے مطابقت رکھتا ہے۔

یہ ترتیب پر مبنی تخلیقی نقطہ نظر پیچیدہ نمونوں کو حاصل کرنے میں ٹرانسفارمرز کی طاقت کا فائدہ اٹھاتا ہے۔ اتنے بڑے اور کیمیائی طور پر متنوع ڈیٹاسیٹ پر تربیت دے کر، ChemPass AI ان مسائل پر قابو پاتا ہے جن کا سامنا پہلے AI ماڈلز کو کرنا پڑتا تھا، جیسے چھوٹے ڈیٹا سیٹس سے تعصب یا فالتو یا غلط مالیکیول پیدا کرنا، فاؤنڈیشن ماڈل کی کارکردگی پہلے ہی کیمسٹری پر لاگو ایک عام GPT سے کہیں زیادہ ہے: اندرونی ٹیسٹوں سے پتہ چلتا ہے کہ 90% درستگی نئے مالیکیولز کی تیاری میں جو ڈیزائن کے تمام معیارات پر پورا اترتے ہیں، بمقابلہ روایتی GPT پر مبنی ماڈل کے لیے ~29% درستگیevogene.com. عملی لحاظ سے، اس کا مطلب ہے کہ ChemPass AI کے تجویز کردہ تقریباً تمام مالیکیولز نہ صرف نئے ہیں بلکہ ان کے ٹارگٹ پروفائل کو بھی نشانہ بنایا گیا ہے، جو کہ بنیادی پیداواری تکنیکوں کے مقابلے میں ایک شاندار بہتری ہے۔

جبکہ ایوجین کا بنیادی جنریٹو انجن لکیری مسکراہٹوں پر ٹرانسفارمر کا استعمال کرتا ہے، یہ بات قابل غور ہے کہ وسیع تر AI ٹول کٹ میں دیگر فن تعمیرات شامل ہیں جیسے گراف نیورل نیٹ ورکس (GNNs). مالیکیول قدرتی طور پر گراف ہوتے ہیں - ایٹموں کے ساتھ نوڈس کے طور پر اور کناروں کے طور پر بانڈز - اور GNN براہ راست ان ڈھانچے پر استدلال کرسکتے ہیں۔ جدید دوائیوں کے ڈیزائن میں، GNNs کا استعمال اکثر خواص کی پیشین گوئی کرنے کے لیے کیا جاتا ہے یا یہاں تک کہ ایٹم بہ ایٹم بنا کر مالیکیولز پیدا کیے جاتے ہیں۔ یہ گراف پر مبنی نقطہ نظر ترتیب کے ماڈل کی تکمیل کرتا ہے۔ مثال کے طور پر، Evogene کے پلیٹ فارم میں 3D ورچوئل اسکریننگ کے لیے DeepDock جیسے ٹولز بھی شامل کیے گئے ہیں، جو ممکنہ طور پر ڈھانچہ پر مبنی سیاق و سباق میں مالیکیول بائنڈنگ کا اندازہ لگانے کے لیے گہری سیکھنے کا استعمال کرتے ہیں، ترتیب کے ماڈلز (تخلیقیت اور نیاپن کے لیے بہترین) کو گراف پر مبنی ماڈلز کے ساتھ جوڑ کر، اس کی بنیادی خصوصیات کو یقینی بناتے ہیں۔ تیار کردہ مرکبات صرف کاغذ پر ناول نہیں ہیں، بلکہ کیمیائی طور پر بھی درست اور عملی طور پر موثر ہیں۔ AI کا ڈیزائن لوپ امیدواروں کے ڈھانچے تیار کر سکتا ہے اور پھر پیش گوئی کرنے والے ماڈلز کے ذریعے ان کا جائزہ لے سکتا ہے - کچھ ممکنہ طور پر GNN پر مبنی - زہریلا یا مصنوعی فزیبلٹی جیسے معیار کے لیے، ایک فیڈ بیک سائیکل تیار کرتا ہے جو ہر تجویز کو بہتر کرتا ہے۔

کثیر مقصدی اصلاح: طاقت، زہریلا، استحکام تمام ایک بار میں

ChemPass AI کی ایک نمایاں خصوصیت کثیر مقصدی اصلاح کے لیے اس کی بلٹ ان صلاحیت ہے۔ کلاسک منشیات کی دریافت اکثر ایک وقت میں ایک پراپرٹی کو بہتر بناتی ہے، لیکن ChemPass کو ایک ساتھ کئی مقاصد کو سنبھالنے کے لیے انجنیئر کیا گیا تھا۔ یہ جدید مشین لرننگ تکنیکوں کے ذریعے حاصل کیا جاتا ہے جو متعدد رکاوٹوں کو پورا کرنے کے لیے جنریٹیو ماڈل کی رہنمائی کرتی ہے۔ تربیت میں، Evogene جائیداد کے تقاضے عائد کر سکتا ہے - جیسے کہ مالیکیول کو ایک خاص ہدف کو مضبوطی سے چالو کرنا چاہیے، مخصوص زہریلے نقشوں سے بچنا چاہیے، اور اچھی حیاتیاتی دستیابی ہونا چاہیے - اور ماڈل ان اصولوں کے تحت کیمیائی جگہ کو نیویگیٹ کرنا سیکھتا ہے۔ ChemPass-GPT سسٹم یہاں تک کہ "محدودوں پر مبنی جنریشن" کو بھی قابل بناتا ہے، یعنی اسے صرف ایسے مالیکیول تجویز کرنے کی ہدایت کی جا سکتی ہے جو شروع سے ہی مخصوص مطلوبہ خصوصیات کو پورا کرتے ہوں۔

AI اس ملٹی پیرامیٹر بیلنسنگ ایکٹ کو کیسے پورا کرتا ہے؟ ایک نقطہ نظر ملٹی ٹاسک لرننگ ہے، جہاں ماڈل نہ صرف مالیکیولز پیدا کر رہا ہے بلکہ سیکھے ہوئے پیش گوئوں کا استعمال کرتے ہوئے ان کی خصوصیات کی پیش گوئی بھی کر رہا ہے، اس کے مطابق نسل کو ایڈجسٹ کرنا۔ ایک اور طاقتور نقطہ نظر ہے کمک سیکھنے (RL). RL سے بہتر کام کے فلو میں، جنریٹو ماڈل مالیکیول ڈیزائن کے ایک ایجنٹ کی طرح کام کرتا ہے "گیم کھیلتا ہے": یہ ایک مالیکیول تجویز کرتا ہے اور پھر اس بات کی بنیاد پر انعامی سکور حاصل کرتا ہے کہ وہ مالیکیول کتنی اچھی طرح سے مقاصد کو پورا کرتا ہے (قوت، زہریلا کی کمی، وغیرہ)۔ بہت سے تکرار کے دوران، ماڈل اس انعام کو زیادہ سے زیادہ کرنے کے لیے اپنی نسل کی حکمت عملی کو تبدیل کرتا ہے۔ یہ طریقہ AI سے چلنے والے دیگر دوائیوں کے ڈیزائن کے نظام میں کامیابی کے ساتھ استعمال کیا گیا ہے - محققین نے یہ دکھایا ہے۔ کمک سیکھنے کے الگورتھم مطلوبہ خصوصیات کے ساتھ مالیکیول تیار کرنے کے لیے جنریٹیو ماڈلز کی رہنمائی کر سکتے ہیں۔. جوہر میں، AI کو ایک انعامی فنکشن کے ساتھ تربیت دی جا سکتی ہے جو متعدد اہداف کو سمیٹتا ہے، مثال کے طور پر پیش گوئی کی گئی افادیت کے لیے پوائنٹس دینا اور پیش گوئی شدہ زہریلے پن کے لیے پوائنٹس کو گھٹانا۔ اس کے بعد ماڈل اپنی "حرکتوں" کو بہتر بناتا ہے (ایٹموں کو شامل کرنا یا ہٹانا، فنکشنل گروپس کو تبدیل کرنا) سب سے زیادہ سکور حاصل کرنے کے لیے، مؤثر طریقے سے تمام معیارات کو پورا کرنے کے لیے درکار ٹریڈ آف سیکھتا ہے۔

Evogene نے ChemPass AI کے کثیر مقصدی انجن کے پیچھے صحیح ملکیتی چٹنی کا انکشاف نہیں کیا ہے، لیکن ان کے نتائج سے یہ واضح ہے کہ ایسی حکمت عملی کام کر رہی ہے۔ حقیقت یہ ہے کہ ہر تیار کردہ مرکب "ایک ساتھ ضروری پیرامیٹرز کو پورا کرتا ہے" جیسے افادیت، ترکیب سازی اور حفاظت۔ آنے والا ChemPass AI ورژن 2.0 اس کو مزید آگے بڑھائے گا - اسے اور بھی زیادہ لچکدار ملٹی پیرامیٹر ٹیوننگ کی اجازت دینے کے لیے تیار کیا جا رہا ہے، بشمول مخصوص علاج کے علاقوں یا فصل کی ضروریات کے مطابق صارف کے طے کردہ معیارات۔ اس سے پتہ چلتا ہے کہ اگلی نسل کا ماڈل محققین کو بعض عوامل کی اہمیت کو ڈائل کرنے یا نیچے کرنے کی اجازت دے سکتا ہے (مثال کے طور پر، نیورولوجی دوائی کے لیے دماغی رسائی کو ترجیح دینا یا کیڑے مار دوا کے لیے ماحولیاتی بائیوڈیگریڈیبلٹی) اور AI اس کے مطابق اپنی ڈیزائن کی حکمت عملی کو ایڈجسٹ کرے گا۔ اس طرح کی کثیر مقصدی صلاحیتوں کو یکجا کر کے، ChemPass AI ایسے مالیکیولز کو ڈیزائن کر سکتا ہے جو کارکردگی کے متعدد میٹرکس پر ایک ہی وقت میں میٹھی جگہ کو نشانہ بناتے ہیں، جو روایتی طریقوں سے عملی طور پر ناممکن ہے۔

روایتی R&D طریقوں سے پرے ایک چھلانگ

ChemPass AI کے جنریٹو ماڈل کی آمد لائف سائنس R&D میں ایک وسیع تر تبدیلی کو نمایاں کرتی ہے: محنت کش آزمائش اور غلطی کے کام کے بہاؤ سے AI بڑھا ہوا تخلیقی صلاحیت اور درستگی. انسانی کیمیا دانوں کے برعکس، جو معلوم کیمیکل سیریز پر قائم رہتے ہیں اور آہستہ آہستہ اعادہ کرتے ہیں، ایک AI اربوں امکانات کا اندازہ لگا سکتا ہے اور غیر دریافت شدہ 99.9% کیمیکل جگہ میں جا سکتا ہے۔ اس سے ایسے موثر مرکبات کو تلاش کرنے کا دروازہ کھلتا ہے جو ہم نے پہلے دیکھے کسی بھی چیز سے مشابہت نہیں رکھتے - ناول کیمسٹری کے ساتھ بیماریوں کے علاج یا کیڑوں اور پیتھوجینز سے نمٹنے کے لیے جو موجودہ مالیکیولز کے خلاف مزاحمت پیدا کر چکے ہیں۔ اس کے علاوہ، غور کر کے پیٹنٹ ایبلٹی جانے سے، جنریٹو AI ہجوم دانشورانہ املاک والے علاقوں سے بچنے میں مدد کرتا ہے۔ ایوجین کا مقصد واضح طور پر ایسے مالیکیولز تیار کرنا ہے جو تازہ IP تیار کرتے ہیں، جو ایک اہم مسابقتی فائدہ ہے۔

روایتی طریقوں کے فوائد کا خلاصہ اس طرح کیا جا سکتا ہے:

• متوازی ملٹی ٹریٹ آپٹیمائزیشن: AI متعدد پیرامیٹرز کا متوازی طور پر جائزہ لیتا ہے، ایسے مالیکیولز کو ڈیزائن کرتا ہے جو طاقت، حفاظت اور دیگر معیارات کو پورا کرتے ہیں۔ روایتی پائپ لائنز، اس کے برعکس، اکثر کسی دوسری صورت میں امید افزا دوائی پر برسوں کے کام کے بعد ہی زہریلے پن کا مسئلہ دریافت کرتی ہیں۔ اس طرح کے مسائل کے لیے پیشگی طور پر فلٹر کرنے سے، AI کے ڈیزائن کردہ امیدواروں کو بعد میں ہونے والے مہنگے ٹرائلز میں کامیابی حاصل کرنے کا موقع ملتا ہے۔

• کیمیائی تنوع کو بڑھانا: جنریٹو ماڈل موجودہ کمپاؤنڈ لائبریریوں تک محدود نہیں ہیں۔ ChemPass AI ان ڈھانچے کو جوڑ سکتا ہے جو پہلے کبھی نہیں بنایا گیا تھا، پھر بھی اس کے موثر ہونے کی پیش گوئی کی جاتی ہے۔ یہ نیاپن پر مبنی نسل وہیل (یا مالیکیول) کو دوبارہ ایجاد کرنے سے گریز کرتا ہے اور عمل کے نئے طریقوں سے مختلف مصنوعات بنانے میں مدد کرتا ہے۔ روایتی طریقے اکثر "می ٹو" مرکبات کا باعث بنتے ہیں جو بہت کم نیاپن پیش کرتے ہیں۔

• رفتار اور پیمانہ: کیمیا دانوں کی ٹیم ایک سال میں ترکیب اور جانچ کے ذریعے کیا حاصل کر سکتی ہے، ایک AI دنوں میں نقل کر سکتا ہے۔ ChemPass AI کا گہرا سیکھنے کا پلیٹ فارم عملی طور پر دسیوں اربوں مرکبات کو تیزی سے اسکرین کر سکتا ہے اور ایک ہی دوڑ میں سینکڑوں نئے آئیڈیاز تیار کر سکتا ہے۔ یہ ڈرامائی طور پر دریافت کی ٹائم لائن کو سکیڑتا ہے، گیلے لیب کے تجربات کو صرف سلیکو میں شناخت کیے گئے سب سے زیادہ امید افزا امیدواروں پر مرکوز کرتا ہے۔

• مربوط علم: AI ماڈلز جیسے ChemPass اپنی تربیت میں وسیع مقدار میں کیمیائی اور حیاتیاتی علم (مثلاً معلوم ڈھانچہ سرگرمی کے تعلقات، زہریلے انتباہات، منشیات کی طرح کی جائیداد کے اصول) کو شامل کرتے ہیں اس کا مطلب ہے کہ ہر مالیکیول ڈیزائن پہلے سے موجود ڈیٹا کی وسعت سے فائدہ اٹھاتا ہے جس کا کوئی بھی ماہر انسانی دماغ نہیں رکھ سکتا۔ روایتی ڈیزائن دواؤں کے کیمیا دانوں کے تجربے پر انحصار کرتا ہے – قیمتی لیکن انسانی یادداشت اور تعصب تک محدود – جبکہ AI لاکھوں تجربات اور متنوع کیمیائی خاندانوں کے نمونوں کو حاصل کر سکتا ہے۔

عملی لحاظ سے، فارما کے لیے یہ کلینکل ٹرائلز میں کامیابی کی بلند شرح اور ترقیاتی اخراجات میں کمی کا باعث بن سکتا ہے، کیونکہ تباہ شدہ مرکبات پر کم وسائل ضائع ہوتے ہیں۔ زراعت میں، اس کا مطلب ہے تیزی سے محفوظ، زیادہ پائیدار فصلوں کے تحفظ کے حل کی تخلیق - مثال کے طور پر، ایک جڑی بوٹی مار دوا جو ماتمی لباس کے لیے مہلک ہے لیکن غیر ہدف والے جانداروں کے لیے سومی ہے اور ماحول میں بے ضرر ٹوٹ جاتی ہے۔ افادیت اور ماحولیاتی تحفظ کو ایک ساتھ بہتر بنا کر، AI ایک ہی بار میں ریگولیٹری اور مزاحمتی چیلنجوں سے نمٹنے کے لیے "موثر، پائیدار، اور ملکیتی" AG-کیمیکل فراہم کرنے میں مدد کر سکتا ہے۔

Evogene میں ایک وسیع تر AI ٹول باکس کا حصہ

جبکہ ChemPass AI چھوٹے مالیکیول ڈیزائن کے لیے اسپاٹ لائٹ چراتا ہے، یہ مختلف ڈومینز کے لیے تیار کردہ AI سے چلنے والے "ٹیک انجنوں" کی Evogene کی تینوں کا حصہ ہے۔ کمپنی کے پاس ہے۔ مائیکرو بوسٹ اے آئی جرثوموں پر توجہ مرکوز کرنا، ChemPass AI کیمسٹری پر، اور جنریٹر AI جینیاتی عناصر پر ہر انجن اپنے متعلقہ فیلڈ میں بگ ڈیٹا اینالیٹکس اور مشین لرننگ کا اطلاق کرتا ہے۔

AI انجنوں کا یہ مربوط ماحولیاتی نظام "AI-first" لائف سائنس کمپنی کے طور پر Evogene کی حکمت عملی کو واضح کرتا ہے۔ ان کا مقصد پورے بورڈ میں مصنوعات کی دریافت میں انقلاب لانا ہے – چاہے وہ دوا تیار کرنا ہو، بایو محرک، یا خشک سالی برداشت کرنے والی فصل۔ حیاتیاتی پیچیدگی کو نیویگیٹ کرنے کے لیے حساب کا استعمال. انجن ایک مشترکہ فلسفہ رکھتے ہیں: R&D کی کامیابی کے امکان کو بڑھانے اور وقت اور لاگت کو کم کرنے کے لیے جدید ترین مشین لرننگ کا استعمال کریں۔

آؤٹ لک: اے آئی سے چلنے والی دریافت عمر کی ہے۔

جنریٹو AI مالیکیول کی دریافت کو تبدیل کر رہا ہے، AI کے کردار کو اسسٹنٹ سے تخلیقی ساتھی میں منتقل کر رہا ہے۔ ایک وقت میں ایک آئیڈیا کو جانچنے کے بجائے، سائنسدان اب AI کو مکمل طور پر نئے مرکبات ڈیزائن کرنے کے لیے استعمال کر سکتے ہیں جو ایک ہی قدم میں متعدد اہداف یعنی طاقت، حفاظت، استحکام اور بہت کچھ کو پورا کرتے ہیں۔

یہ مستقبل پہلے ہی سامنے آ رہا ہے۔ ایک فارماسیوٹیکل ٹیم کسی ایسے مالیکیول کی درخواست کر سکتی ہے جو ایک مخصوص پروٹین کو نشانہ بناتا ہے، دماغ سے بچتا ہے، اور زبانی طور پر دستیاب ہے — AI امیدواروں کو طلب کے مطابق فراہم کر سکتا ہے۔ زراعت میں، محققین ریگولیٹری اور ماحولیاتی رکاوٹوں کے مطابق ماحول دوست کیڑوں پر قابو پا سکتے ہیں۔

ایووجین کا حالیہ فاؤنڈیشن ماڈل، جو گوگل کلاؤڈ کے ساتھ تیار کیا گیا ہے، اس تبدیلی کی ایک مثال ہے۔ یہ ملٹی پیرامیٹر ڈیزائن کو قابل بناتا ہے اور کیمیائی جگہ کے نئے شعبے کھولتا ہے۔ چونکہ مستقبل کے ورژن اور بھی زیادہ تخصیص کی اجازت دیتے ہیں، یہ ماڈل زندگی کے علوم میں ضروری ٹولز بن جائیں گے۔

اہم طور پر، اثر حقیقی دنیا کی توثیق پر منحصر ہے. جیسا کہ AI سے پیدا ہونے والے مالیکیولز کو جانچا اور بہتر بنایا جاتا ہے، ماڈلز بہتر ہوتے ہیں - حساب اور تجربات کے درمیان ایک طاقتور فیڈ بیک لوپ بناتے ہیں۔

یہ تخلیقی نقطہ نظر صرف منشیات یا کیڑے مار ادویات تک محدود نہیں ہے۔ یہ جلد ہی مواد، خوراک، اور پائیداری میں کامیابیاں حاصل کر سکتا ہے- جو ایک بار آزمائش اور غلطی کی وجہ سے محدود ہونے کے بعد صنعتوں میں تیز، بہتر دریافت کی پیشکش کرتا ہے۔