Mankind Pharma ਨੇ Denovo Sciences ਨਾਲ ਇੱਕ ਵੱਡਾ ਸਮਝੌਤਾ ਕੀਤਾ ਹੈ। ਇਸ ਸਹਿਯੋਗ ਰਾਹੀਂ, ਕੰਪਨੀ ਦਵਾਈਆਂ ਦੀ ਖੋਜ (Drug Discovery) ਵਿੱਚ Artificial Intelligence (AI) ਦੀ ਵਰਤੋਂ ਕਰੇਗੀ। ਇਸ ਦਾ ਮੁੱਖ ਉਦੇਸ਼ ਦਵਾਈਆਂ ਦੇ ਵਿਕਾਸ ਨੂੰ ਤੇਜ਼ ਕਰਨਾ ਅਤੇ ਖੋਜ ਅਤੇ ਵਿਕਾਸ (R&D) ਦੇ ਖਰਚਿਆਂ ਨੂੰ ਘਟਾਉਣਾ ਹੈ।
ਕੀ ਹੋਇਆ?
Mankind Pharma ਨੇ Denovo Sciences ਨਾਲ ਇੱਕ ਰਣਨੀਤਕ ਸਹਿਯੋਗ ਦਾ ਐਲਾਨ ਕੀਤਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਦਵਾਈਆਂ ਦੀ ਖੋਜ (Drug Discovery) ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ Artificial Intelligence (AI) ਨੂੰ ਸ਼ਾਮਲ ਕੀਤਾ ਜਾਵੇਗਾ। ਬੁੱਧਵਾਰ ਨੂੰ ਜਾਰੀ ਹੋਏ ਐਲਾਨ ਮੁਤਾਬਕ, ਇਸ ਭਾਈਵਾਲੀ ਦਾ ਟੀਚਾ Denovo ਦੇ ਖਾਸ AI ਪਲੇਟਫਾਰਮ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸੰਭਾਵੀ ਦਵਾਈਆਂ ਦੇ ਉਮੀਦਵਾਰਾਂ (Drug Candidates) ਦੀ ਪਛਾਣ ਅਤੇ ਤਰਜੀਹ ਦੇਣਾ ਹੈ। AI-ਆਧਾਰਿਤ ਮਾਡਲਾਂ ਵੱਲ ਵਧ ਕੇ, ਕੰਪਨੀ ਫਾਰਮਾਸਿਊਟੀਕਲ ਰਿਸਰਚ ਦੇ ਸ਼ੁਰੂਆਤੀ ਪੜਾਅ ਵਿੱਚ ਲੱਗਣ ਵਾਲੇ ਸਮੇਂ ਨੂੰ ਘਟਾਉਣ ਅਤੇ ਇਸ ਨਾਲ ਜੁੜੇ ਵਿਕਾਸ ਖਰਚਿਆਂ ਨੂੰ ਘੱਟ ਕਰਨ ਦੀ ਉਮੀਦ ਰੱਖਦੀ ਹੈ।
ਇਹ ਪ੍ਰੋਜੈਕਟ ਇੱਕ "ਹਿਊਮਨ-ਇਨ-ਦ-ਲੂਪ" (human-in-the-loop) ਮਾਡਲ ਤਹਿਤ ਕੰਮ ਕਰੇਗਾ। ਇਸ ਪ੍ਰਣਾਲੀ ਵਿੱਚ, AI ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਮੌਲਿਕਯੂਲਰ ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਤਿਆਰ ਕਰਨ ਅਤੇ ਮੁਲਾਂਕਣ ਕਰਨ ਦਾ ਜਟਿਲ ਕੰਮ ਸੰਭਾਲੇਗਾ, ਜਦੋਂ ਕਿ Mankind Pharma ਦੇ ਵਿਗਿਆਨਕ ਮਾਹਿਰ ਇਸ ਪ੍ਰਕਿਰਿਆ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨਗੇ, ਜ਼ਰੂਰੀ ਪ੍ਰਮਾਣਿਕਤਾ (Validations) ਕਰਨਗੇ ਅਤੇ AI ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਸੇਧ ਦੇਣਗੇ। ਇਹ ਮਿਸ਼ਰਤ ਪਹੁੰਚ ਕੰਪਿਊਟੇਸ਼ਨਲ ਰਿਸਰਚ ਦੀ ਗਤੀ ਦਾ ਲਾਭ ਉਠਾਉਂਦੇ ਹੋਏ ਸਖ਼ਤ ਵਿਗਿਆਨਕ ਮਾਪਦੰਡਾਂ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਣ ਦਾ ਟੀਚਾ ਰੱਖਦੀ ਹੈ।
R&D ਕੁਸ਼ਲਤਾ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ?
ਦਵਾਈਆਂ ਦੀ ਖੋਜ ਰਵਾਇਤੀ ਤੌਰ 'ਤੇ ਇੱਕ ਸਮਾਂ-ਖਪਤ ਕਰਨ ਵਾਲੀ ਅਤੇ ਮਹਿੰਗੀ ਪ੍ਰਕਿਰਿਆ ਹੈ, ਜੋ ਕਿ ਕਈ ਸਾਲਾਂ ਤੱਕ ਚੱਲ ਸਕਦੀ ਹੈ, ਇੱਥੋਂ ਤੱਕ ਕਿ ਕੋਈ ਮੌਲਿਕਯੂਲ ਕਲੀਨਿਕਲ ਟਰਾਇਲਾਂ ਤੱਕ ਵੀ ਨਹੀਂ ਪਹੁੰਚਦਾ। ਕਈ ਸੰਭਾਵੀ ਦਵਾਈ ਉਮੀਦਵਾਰ ਇਸ ਸ਼ੁਰੂਆਤੀ ਪੜਾਅ ਦੌਰਾਨ ਅਸਫਲ ਹੋ ਜਾਂਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਸਰੋਤਾਂ ਦੀ ਵੱਡੀ ਬਰਬਾਦੀ ਹੁੰਦੀ ਹੈ। Mankind Pharma ਵਰਗੀ ਕੰਪਨੀ ਲਈ, ਜਿਸਦਾ ਭਾਰਤੀ ਘਰੇਲੂ ਬਾਜ਼ਾਰ ਵਿੱਚ ਮਜ਼ਬੂਤ ਸਥਾਨ ਹੈ, R&D ਨੂੰ ਆਪਟੀਮਾਈਜ਼ ਕਰਨਾ ਮੁਨਾਫ਼ੇ ਦੇ ਮਾਰਜਿਨ ਦੀ ਰਾਖੀ ਅਤੇ ਲੰਬੇ ਸਮੇਂ ਦੀ ਪ੍ਰਤੀਯੋਗਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਇੱਕ ਆਮ ਉਦਯੋਗਿਕ ਤਰਜੀਹ ਹੈ।
AI ਨੂੰ ਅਪਣਾ ਕੇ, ਕੰਪਨੀ ਮੌਲਿਕਯੂਲਰ ਢਾਂਚਿਆਂ (Molecular Structures) ਨੂੰ ਵਧੇਰੇ ਕੁਸ਼ਲਤਾ ਨਾਲ ਸਕ੍ਰੀਨ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੀ ਹੈ। ਜੇਕਰ ਇਹ ਸਫਲ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਇਹ ਸੰਭਾਵੀ ਦਵਾਈ ਉਮੀਦਵਾਰਾਂ ਦੀ ਇੱਕ ਵਧੇਰੇ ਮਜ਼ਬੂਤ ਪਾਈਪਲਾਈਨ ਵੱਲ ਲੈ ਜਾ ਸਕਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਇਹ ਧਿਆਨ ਦੇਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਇਹ ਤੁਰੰਤ ਆਮਦਨ ਦਾ ਸਰੋਤ ਬਣਨ ਦੀ ਬਜਾਏ ਸਮਰੱਥਾ ਵਿੱਚ ਇੱਕ ਨਿਵੇਸ਼ ਹੈ। ਅਜਿਹੀਆਂ ਪਹਿਲਕਦਮੀਆਂ ਤੋਂ ਵਿੱਤੀ ਲਾਭ ਆਮ ਤੌਰ 'ਤੇ ਕਈ ਸਾਲਾਂ ਬਾਅਦ ਮਿਲਦੇ ਹਨ, ਕਿਉਂਕਿ ਕੰਪਨੀ ਕਲੀਨਿਕਲ ਟਰਾਇਲਾਂ ਅਤੇ ਰੈਗੂਲੇਟਰੀ ਪ੍ਰਵਾਨਗੀਆਂ (Regulatory Approvals) ਦੇ ਪੜਾਵਾਂ ਵਿੱਚ ਅੱਗੇ ਵਧਦੀ ਹੈ।
ਤਕਨਾਲੋਜੀ ਅਤੇ ਰਣਨੀਤੀ
ਫਾਰਮਾ ਵਿੱਚ AI ਮੁੱਖ ਤੌਰ 'ਤੇ "ਮੌਲਿਕਯੂਲਰ ਸਪੇਸ" (molecular space) ਦੀ ਪੜਚੋਲ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਜੋ ਕਿ ਸੰਭਾਵੀ ਰਸਾਇਣਕ ਸੰਜੋਗਾਂ (Chemical Combinations) ਦੀ ਵਿਸ਼ਾਲ ਗਿਣਤੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜੋ ਦਵਾਈਆਂ ਵਜੋਂ ਕੰਮ ਕਰ ਸਕਦੇ ਹਨ। ਰਵਾਇਤੀ ਲੈਬ ਤਰੀਕੇ ਸਮੇਂ ਅਤੇ ਬਜਟ ਦੀਆਂ ਪਾਬੰਦੀਆਂ ਕਾਰਨ ਇਨ੍ਹਾਂ ਵਿੱਚੋਂ ਸਿਰਫ਼ ਸੀਮਤ ਸੰਜੋਗਾਂ ਦੀ ਹੀ ਜਾਂਚ ਕਰ ਸਕਦੇ ਹਨ। AI ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਡਿਜੀਟਲ ਰੂਪ ਵਿੱਚ ਹਜ਼ਾਰਾਂ ਵੇਰੀਐਂਟਸ ਦਾ ਸਿਮੂਲੇਸ਼ਨ ਅਤੇ ਟੈਸਟ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ, ਸਿਰਫ਼ ਸਭ ਤੋਂ ਵਧੇਰੇ ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਭੌਤਿਕ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਪ੍ਰਮਾਣਿਕਤਾ (Physical Laboratory Validation) ਲਈ ਤਰਜੀਹ ਦਿੰਦਾ ਹੈ।
Mankind Pharma ਲਈ, ਇਹ ਭਾਈਵਾਲੀ ਆਪਣੀ ਖੋਜ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਤਕਨਾਲੋਜੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵੱਲ ਇੱਕ ਸੁਚੇਤ ਕਦਮ ਹੈ। ਮੈਨੇਜਮੈਂਟ ਨੇ ਨੋਟ ਕੀਤਾ ਹੈ ਕਿ AI ਨੂੰ ਏਕੀਕ੍ਰਿਤ (Integrate) ਕਰਨ ਨਾਲ ਕੰਪਨੀ ਰਵਾਇਤੀ ਖੋਜ ਤਰੀਕਿਆਂ ਨਾਲੋਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਮੌਕਿਆਂ ਦੀ ਪੜਚੋਲ ਕਰ ਸਕਦੀ ਹੈ, ਜਦੋਂ ਕਿ ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ ਨਤੀਜੇ ਵਿਗਿਆਨਕ ਤੌਰ 'ਤੇ ਠੋਸ ਰਹਿਣ।
AI-ਅਗਵਾਈ ਵਾਲੇ Pharma R&D ਵਿੱਚ ਜੋਖਮ
ਹਾਲਾਂਕਿ AI ਵਿੱਚ ਬਹੁਤ ਸੰਭਾਵਨਾ ਹੈ, ਨਿਵੇਸ਼ਕਾਂ ਨੂੰ ਇਸ ਸੈਕਟਰ ਵਿੱਚ ਮੌਜੂਦ ਜੋਖਮਾਂ ਤੋਂ ਸੁਚੇਤ ਰਹਿਣਾ ਚਾਹੀਦਾ ਹੈ। ਪਹਿਲਾਂ, ਦਵਾਈ ਖੋਜ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਅਣਪ੍ਰਡਿਕਟੇਬਲ (unpredictable) ਹੈ; ਉੱਨਤ ਤਕਨਾਲੋਜੀ ਦੇ ਬਾਵਜੂਦ, ਇਸ ਗੱਲ ਦੀ ਕੋਈ ਗਾਰੰਟੀ ਨਹੀਂ ਹੈ ਕਿ AI ਦੁਆਰਾ ਪਛਾਣੇ ਗਏ ਮੌਲਿਕਯੂਲ ਰੈਗੂਲੇਟਰੀ ਕਲੀਨਿਕਲ ਟਰਾਇਲਾਂ ਨੂੰ ਪਾਸ ਕਰਨਗੇ ਜਾਂ ਮਨੁੱਖੀ ਮਰੀਜ਼ਾਂ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਾਬਤ ਹੋਣਗੇ। R&D ਨਿਵੇਸ਼ "ਡੁੱਬੇ ਹੋਏ ਖਰਚੇ" (sunk costs) ਹੁੰਦੇ ਹਨ— ਅੱਜ ਖਰਚਿਆ ਗਿਆ ਪੈਸਾ ਜੋ ਕਈ ਸਾਲਾਂ ਤੱਕ ਕੋਈ ਉਤਪਾਦ ਨਹੀਂ ਦੇ ਸਕਦਾ।
ਦੂਜਾ, ਕਾਰਜਕਾਰੀ (Execution) ਦਾ ਜੋਖਮ ਹੈ। ਮੌਜੂਦਾ R&D ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਵਿੱਚ ਬਾਹਰੀ ਤਕਨਾਲੋਜੀ ਪਲੇਟਫਾਰਮਾਂ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਨਾਲ ਕਾਰਜਕਾਰੀ ਦੇਰੀ (Operational Delays) ਹੋ ਸਕਦੀ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, AI ਦੁਆਰਾ ਖੋਜੀ ਗਈਆਂ ਦਵਾਈਆਂ ਲਈ ਰੈਗੂਲੇਟਰੀ ਮਾਹੌਲ ਅਜੇ ਵੀ ਵਿਕਾਸ ਅਧੀਨ ਹੈ, ਅਤੇ ਕੰਪਨੀਆਂ ਨੂੰ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਹੋਵੇਗਾ ਕਿ ਉਨ੍ਹਾਂ ਦੇ ਖੋਜ ਵਿਧੀਆਂ ਭਾਰਤ ਵਿੱਚ CDSCO ਜਾਂ ਜੇਕਰ ਉਹ ਇਨ੍ਹਾਂ ਦਵਾਈਆਂ ਨੂੰ ਵਿਸ਼ਵ ਪੱਧਰ 'ਤੇ ਵੇਚਣ ਦੀ ਯੋਜਨਾ ਬਣਾਉਂਦੇ ਹਨ ਤਾਂ ਅੰਤਰਰਾਸ਼ਟਰੀ ਹਮਰੁਤਬਾ ਵਰਗੇ ਰੈਗੂਲੇਟਰਾਂ ਦੀਆਂ ਸਖ਼ਤ ਜ਼ਰੂਰਤਾਂ ਨੂੰ ਪੂਰਾ ਕਰਦੀਆਂ ਹਨ।
ਅੱਗੇ ਕੀ ਦੇਖਣਾ ਹੈ?
ਨਿਵੇਸ਼ਕਾਂ ਲਈ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਕਾਰਕ ਇਨ੍ਹਾਂ ਖੋਜ ਪ੍ਰੋਜੈਕਟਾਂ ਦੀ ਪ੍ਰਗਤੀ ਹੋਵੇਗੀ। ਜਦੋਂ ਕਿ ਇਹ ਸਹਿਯੋਗ ਆਧੁਨਿਕੀਕਰਨ ਵੱਲ ਇੱਕ ਸਕਾਰਾਤਮਕ ਕਦਮ ਹੈ, ਅਸਲ ਮੁੱਲ ਉਦੋਂ ਹੀ ਦਿਖਾਈ ਦੇਵੇਗਾ ਜਦੋਂ ਇਹ ਖੋਜ ਪਹਿਲਕਦਮੀਆਂ ਸੰਕਲਪੀ ਪੜਾਅ (Conceptual Stage) ਤੋਂ ਸਫਲ, ਪੇਟੈਂਟਯੋਗ, ਜਾਂ ਕਲੀਨਿਕਲ-ਪੜਾਅ ਸੰਪਤੀਆਂ (Clinical-Stage Assets) ਵੱਲ ਵਧਣਗੀਆਂ।
ਸ਼ੇਅਰਧਾਰਕਾਂ (Shareholders) ਲਈ ਮੁੱਖ ਨਿਗਰਾਨੀਯੋਗ (Monitorables) ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:
- ਪ੍ਰੋਜੈਕਟ ਟਾਈਮਲਾਈਨ: ਇਸ ਬਾਰੇ ਅਪਡੇਟਸ ਕਿ ਕੀ ਭਾਈਵਾਲੀ ਅਸਲ ਵਿੱਚ ਲੀਡ ਆਪਟੀਮਾਈਜ਼ੇਸ਼ਨ (Lead Optimization) ਅਤੇ ਉਮੀਦਵਾਰ ਚੋਣ (Candidate Selection) ਵਿੱਚ ਲੱਗਣ ਵਾਲੇ ਸਮੇਂ ਨੂੰ ਘਟਾ ਰਹੀ ਹੈ।
- ਪਾਈਪਲਾਈਨ ਅਪਡੇਟਸ: ਭਵਿੱਖੀ ਨਿਵੇਸ਼ਕ ਪੇਸ਼ਕਾਰੀਆਂ (Investor Presentations) ਵਿੱਚ ਕਿਸੇ ਵੀ ਖਾਸ ਇਲਾਜ ਖੇਤਰਾਂ (Therapeutic Areas) ਦਾ ਵੇਰਵਾ ਜਿੱਥੇ AI-ਤਿਆਰ ਮੌਲਿਕਯੂਲ ਵਾਅਦਾ ਦਿਖਾ ਰਹੇ ਹਨ।
- ਖਰਚੇ ਦਾ ਪ੍ਰਭਾਵ: ਕੀ ਕੰਪਨੀ R&D ਖਰਚੇ 'ਤੇ ਕੋਈ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ ਅਤੇ ਕੀ ਇਹ ਤਕਨੀਕੀ ਏਕੀਕਰਨ ਵਿਕਾਸ ਦੀ ਲੰਬੇ ਸਮੇਂ ਦੀ ਲਾਗਤ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਘਟਾਉਂਦਾ ਹੈ।
- ਰੈਗੂਲੇਟਰੀ ਮੀਲਸਟੋਨ: ਕੋਈ ਵੀ ਭਵਿੱਖੀ ਫਾਈਲਿੰਗ ਜਾਂ ਅਣੂਆਂ (Molecules) 'ਤੇ ਤਰੱਕੀ ਜੋ ਰਸਮੀ ਕਲੀਨਿਕਲ ਵਿਕਾਸ ਪੜਾਵਾਂ ਵਿੱਚ ਦਾਖਲ ਹੁੰਦੀਆਂ ਹਨ।