दवा खोज में AI: AlphaFold और चिकित्सा की नई सरहद (UPSC Science & Tech)

आधी सदी तक एक सवाल चुपचाप जीवविज्ञान के दरवाज़ों की रखवाली करता रहा: अमीनो अम्लों की एक शृंखला दी जाए, तो वह किस आकार में मुड़ेगी? प्रोटीन जीवन की मशीनें हैं, और किसी प्रोटीन का आकार तय करता है कि वह क्या करेगा — और कौन-सी दवा उसे चालू या बंद कर सकती है। उस आकार को प्रयोगशाला में निकालने में किसी शोध-छात्र को प्रति प्रोटीन सालों लग सकते थे। फिर, 2020 में, AlphaFold नाम के एक AI सिस्टम ने इसे घंटों में कर दिखाया, लगभग हर प्रोटीन के लिए, ऐसी सटीकता के साथ जो धीमी प्रायोगिक विधियों की बराबरी करती थी। अक्टूबर 2024 में इस काम को रसायन विज्ञान का नोबेल पुरस्कार (Nobel Prize) मिला — पहली बार आर्टिफ़िशियल इंटेलिजेंस (artificial intelligence) पर टिकी किसी उपलब्धि ने दुनिया का सबसे प्रतिष्ठित विज्ञान पुरस्कार जीता। 50 साल पुरानी प्रोटीन-फ़ोल्डिंग की पहेली, व्यावहारिक रूप से, सुलझ गई।

यह अकेली प्रगति एक बड़े बदलाव के केंद्र में बैठती है, जो विज्ञान और तकनीक पर नज़र रखने वाले हर UPSC अभ्यर्थी के लिए मायने रखना चाहिए। दवा खोज इंसानों के सबसे धीमे, सबसे महँगे और सबसे नाकामी-भरे कामों में से एक रही है — और AI अब इसके हर चरण को निचोड़ रहा है। भारत जैसे देश के लिए, जो “दुनिया की फ़ार्मेसी” (pharmacy of the world) है पर अब भी अपने ज़्यादातर नए अणु और थोक दवा-सामग्री आयात करता है, यह दाँव अकादमिक नहीं है। दवा खोज में AI एक साथ स्वदेशी नवाचार, बौद्धिक संपदा (intellectual property), स्वास्थ्य सुरक्षा और उभरती तकनीक जैसे GS3 विषयों को छूता है, और यह उस अभ्यर्थी को इनाम देता है जो सिर्फ़ हो-हल्ला ही नहीं, बल्कि उसके नीचे की कठोर सीमाएँ भी समझा सके।

दवा खोज इतनी धीमी, इतनी महँगी और इतनी नाकामी-भरी क्यों थी

उस समस्या से शुरू कीजिए जिसे AI ठीक करने की कोशिश कर रहा है, क्योंकि उसका पैमाना आगे की हर बात समझा देता है। एक नई दवा को विचार से लेकर फ़ार्मेसी की अलमारी तक पहुँचाने में आम तौर पर करीब 10 से 15 साल लगते रहे हैं और, सबसे ज़्यादा दोहराए जाने वाले उद्योग अनुमान के मुताबिक़, करीब $2.6 बिलियन का खर्च आता है, जब रास्ते भर की सारी नाकामियों की लागत भी जोड़ी जाती है। यह पैसा निश्चितता नहीं ख़रीदता। मानव नैदानिक परीक्षणों (clinical trials) में उतरने वाले लगभग दस में से नौ दवा-उम्मीदवार मंज़ूरी से पहले नाकाम हो जाते हैं — करीब 40 से 50 प्रतिशत इसलिए कि दवा बस पर्याप्त रूप से काम ही नहीं करती, करीब 30 प्रतिशत इसलिए कि वह बहुत ज़हरीली निकलती है, और बाक़ी शरीर में ख़राब दवा-जैसे व्यवहार या कमज़ोर व्यावसायिक तर्क की वजह से। यह किसी भी इंजीनियरिंग क्षेत्र की सबसे ख़राब सफलता दरों में से एक है।

इतना निर्मम क्यों? यह पूरी प्रक्रिया अलग-अलग चरणों की एक लंबी रिले है, और किसी एक पर ठोकर खाने से दौड़ ख़त्म हो जाती है। सबसे पहले आता है लक्ष्य पहचान (target identification) — शरीर का वह ख़ास प्रोटीन या जीन ढूँढना जिसकी ख़राबी किसी बीमारी को जन्म देती है। फिर हिट खोज (hit discovery) — रासायनिक यौगिकों के विशाल पुस्तकालयों को छानना ताकि कुछ ऐसे मिलें जो उस लक्ष्य से चिपकें। फिर लीड अनुकूलन (lead optimisation) — उन हिट्स को अणु-दर-अणु रासायनिक रूप से बदलना ताकि वे ज़्यादा कारगर और सुरक्षित बनें, एक ऐसा हुनर जिसमें हाथ से हज़ारों यौगिक बनाने पड़ सकते हैं। फिर कोशिकाओं और जानवरों में प्रीक्लिनिकल परीक्षण, और आख़िर में मानव नैदानिक परीक्षणों के तीन चरण। जिस रासायनिक स्थान में कोई दवा-खोजी खोज करता है वह लगभग अकल्पनीय रूप से विशाल है — छोटे, दवा-जैसे अणुओं की संख्या जो सैद्धांतिक रूप से मौजूद हो सकती है, करीब 10 की घात 60 तक जाती है, जो सौरमंडल के सभी परमाणुओं से कहीं ज़्यादा है। उस घास के ढेर को आज़माइश और ग़लती से, एक बार में एक बनाई गई सुई के साथ खोजना, ठीक यही वजह है कि पुराना तरीक़ा इतना धीमा है।

AI चरण-दर-चरण खेल को कैसे बदल देता है

AI इस पूरी प्रक्रिया की जगह नहीं लेता — यह हर धीमे चरण पर इतने बड़े पैमाने की पैटर्न-पहचान से हमला करता है जिसकी बराबरी कोई मानव टीम नहीं कर सकती। सबसे साफ़ जीत प्रोटीन संरचना में है। Google DeepMind द्वारा बनाया गया AlphaFold दशकों में बड़ी मेहनत से सुलझाई गई हज़ारों प्रोटीन संरचनाओं से सीखता है और किसी नए प्रोटीन के मुड़े हुए आकार का अनुमान सीधे उसके अमीनो-अम्ल अनुक्रम से लगा लेता है। 2024 का इसका नोबेल, जो DeepMind के Demis Hassabis और John Jumper को University of Washington के David Baker के साथ बिल्कुल नए प्रोटीन डिज़ाइन करने के संबंधित काम के लिए साझा रूप से मिला, ठीक इसी को मान्यता देता है। इसका व्यावहारिक फ़ायदा AlphaFold Protein Structure Database में बसता है, जिसे यूरोप के EMBL-EBI के साथ बनाया गया, और जो अब 20 करोड़ से ज़्यादा अनुमानित संरचनाओं तक मुफ़्त, खुली पहुँच देता है — जो दस लाख से ज़्यादा जीवों में फैले विज्ञान के लगभग हर ज्ञात प्रोटीन को समेटता है। वह काम जिसमें “करोड़ों साल” का प्रयोगशाला समय लगता, जैसा DeepMind ने कहा, अब एक खोज-बॉक्स का सवाल है, और इस डेटाबेस को 190 से ज़्यादा देशों के बीस लाख से ज़्यादा शोधकर्ताओं ने इस्तेमाल किया है। किसी लक्ष्य प्रोटीन का आकार जानना दवा डिज़ाइन की शुरुआती गोली है, और AI ने इसे पूरी दुनिया को एक साथ थमा दिया।

वहाँ से AI बाक़ी पूरी कड़ी को नया आकार देता है। लक्ष्य पहचान में, जीनोमिक्स और बीमारी के डेटा पर प्रशिक्षित मॉडल जैविक नेटवर्कों को छानकर बताते हैं कि किन प्रोटीनों के पीछे जाना सार्थक है। जिसे जनरेटिव रसायन शास्त्र (generative chemistry) या शून्य से अणु डिज़ाइन (de novo molecule design) कहते हैं, उसमें AI छानबीन का उल्टा करता है: किसी तय पुस्तकालय को परखने के बजाय, यह शून्य से नए उम्मीदवार अणु गढ़ता है, ऐसी रासायनिक संरचनाएँ बनाता है जो किसी दिए गए लक्ष्य से चिपकने के लिए ढाली गई हों — वही जनरेटिव सिद्धांत जो आज के टेक्स्ट और इमेज मॉडलों को चलाता है, रसायन शास्त्र की ओर मोड़ दिया गया। (इसकी अंतर्निहित तकनीक के लिए, जनरेटिव AI और बड़े भाषा मॉडलों पर हमारी व्याख्या देखिए।) AI वर्चुअल स्क्रीनिंग (virtual screening) को भी तेज़ करता है, एक भी अणु बनने से पहले लाखों यौगिकों को कंप्यूटर पर क्रम में लगा देता है, और यह ADMET — किसी दवा का अवशोषण, वितरण, चयापचय, उत्सर्जन और विषाक्तता — का जल्दी अनुमान लगाता है, ताकि जो उम्मीदवार लिवर को ज़हर देने वाले लगें उन्हें किसी महँगे परीक्षण के बजाय लैपटॉप पर ही ख़त्म कर दिया जाए।

सबूत अब सैद्धांतिक नहीं रहा। सबसे साफ़ मील का पत्थर Insilico Medicine से आता है, जिसकी दवा rentosertib (पहले ISM001-055) — फेफड़ों में निशान बनाने वाली बीमारी इडियोपैथिक पल्मोनरी फ़ाइब्रोसिस का इलाज — के जैविक लक्ष्य और अणु दोनों जनरेटिव AI से खोजे गए, और फिर Nature Medicine में प्रकाशित एक Phase IIa मानव परीक्षण में सचमुच सकारात्मक नतीजे बताए गए। कंपनी कहती है कि उसके AI-डिज़ाइन किए उम्मीदवार परियोजना की शुरुआत से प्रीक्लिनिकल चयन तक करीब 12 से 18 महीनों में पहुँच गए, और हर परियोजना में हज़ारों के बजाय सिर्फ़ करीब 60 से 200 अणु बनाए गए। DeepMind ने, अपनी ओर से, एक अलग दवा उद्यम Isomorphic Labs खड़ा किया, और इसका नया AlphaFold 3 सिर्फ़ प्रोटीन के आकार ही नहीं, बल्कि यह भी बताता है कि प्रोटीन उन छोटे अणुओं, DNA और RNA के साथ कैसे जुड़ते हैं जिनसे दवाओं को जुड़ना होता है। यात्रा की दिशा साफ़ है: तेज़, सस्ता और कहीं ज़्यादा उम्मीदवारों की खोज।

सीमाएँ: AI ने नैदानिक परीक्षण को ख़त्म क्यों नहीं किया

लेकिन ईमानदार जवाब — और वही जो अंक दिलाता है — यह है कि AI ने इस प्रक्रिया के अगले हिस्से को सिकोड़ा है, पूरे को नहीं। एक अनुमानित प्रोटीन संरचना एक परिकल्पना है, तथ्य नहीं; AlphaFold कई प्रोटीनों के लिए हैरतअंगेज़ रूप से सटीक है पर लचीले, अव्यवस्थित या झिल्ली से बँधे प्रोटीनों के लिए कमज़ोर है, और यह आपको एक स्थिर आकार बताता है, यह नहीं कि वह मशीन किसी जीवित कोशिका के भीतर असल में कैसे चलती और बर्ताव करती है। किसी एल्गोरिद्म द्वारा “आशाजनक” कहा गया अणु अब भी भौतिक रूप से बनाया जाना है, कोशिकाओं में, फिर जानवरों में, और फिर — टाला न जा सके ऐसे — मनुष्यों में नैदानिक परीक्षणों के तीन चरणों में परखा जाना है, जो किसी दवा के दशक-और-अरब का ज़्यादातर हिस्सा खा जाते हैं। AI कैसीनो में बेहतर दाँव लगा सकता है; यह खेल को छोड़ नहीं सकता। जीवविज्ञान की निरी जटिलता, एक प्लेट में रखी कोशिका और पूरे मानव शरीर के बीच की खाई, यानी सुरक्षा और कारगरता का आख़िरी इम्तिहान धीमा, महँगा और मानवीय बना रहता है।

गहरी अड़चन है डेटा। AI उतना ही अच्छा है जितना उस चीज़ से सीखता है, और जैव-चिकित्सा डेटा अक्सर कम, गड़बड़, अच्छी तरह अध्ययन की गई बीमारियों की ओर झुका हुआ, और निजी कॉर्पोरेट तिजोरियों में बंद होता है। ज़्यादातर एक ही आबादी के डेटा पर प्रशिक्षित मॉडल किसी दूसरी के लिए ख़राब अनुमान लगा सकते हैं — भारत की विविध आनुवंशिकी के लिए यह एक सच्चा जोखिम है। हो-हल्ले का भी असली ख़तरा है: जो उम्मीदवार in silico में शानदार दिखे वह शरीर में फिर भी नाकाम हो सकता है, और पैसा लंबी अवधि के नैदानिक नतीजों के बाहर आने से तेज़ी से उमड़ पड़ा है। और यह तकनीक कठिन शासन-संबंधी सवाल उठाती है — किसी AI-आविष्कृत अणु का मालिक कौन है, कोई नियामक किसी ब्लैक-बॉक्स अनुमान को कैसे प्रमाणित करता है, और इन्हीं जनरेटिव औज़ारों को विषैले पदार्थ डिज़ाइन करने में दुरुपयोग होने से कैसे रोका जाए। तो यथार्थवादी फ़ैसला संतुलित वाला है: AI सबसे जोखिम-भरे, सबसे धीमे शुरुआती चरणों का एक ताक़तवर त्वरक है, एक सच्ची उपलब्धि — पर अभी क्लिनिक को छोड़ने वाला कोई शॉर्टकट नहीं।

भारत का दाँव: जेनेरिक महाशक्ति से दवा-आविष्कारक तक

भारत के लिए, यहीं अवसर और चिंता मिलते हैं। भारत मात्रा के हिसाब से दुनिया का सबसे बड़ा जेनेरिक दवा आपूर्तिकर्ता है — “दुनिया की फ़ार्मेसी” — फिर भी यह ऐतिहासिक रूप से नई दवाओं का आविष्कारक नहीं, बल्कि पेटेंट-मुक्त दवाओं की नक़ल करने वाला रहा है, और यह अब भी अपने कारख़ानों के लिए ज़रूरी सक्रिय दवा सामग्री (active pharmaceutical ingredients) का बड़ा हिस्सा आयात करता है। AI एक दुर्लभ छलांग का मौक़ा देता है: पहले उस अरबों-डॉलर वाले प्रयोगशाला ढाँचे को बनाए बिना नए अणु खोजने की ओर मूल्य-शृंखला में ऊपर चढ़ने का मौक़ा, जिस पर पश्चिम ने दशक खर्च किए। कच्चा माल अपनी जगह बैठ रहा है। भारत के पास कंप्यूटिंग और सॉफ़्टवेयर प्रतिभा का गहरा भंडार है, एक विशाल दवा उद्योग है, और — सबसे अहम — अपना ख़ुद का जीनोमिक डेटा है। Genome India परियोजना ने एक राष्ट्रीय संदर्भ बनाने के लिए 10,000 से ज़्यादा भारतीयों के जीनोम का अनुक्रमण किया है, और पहले के IndiGen प्रयास ने हज़ारों और जोड़े, यह वह आबादी-विशिष्ट डेटा है जो AI मॉडलों को कहीं और से धारणाएँ उधार लेने के बजाय भारतीय जीवविज्ञान के लिए दवाएँ ढालने देता है। (इस डेटासेट को हम जीनोम अनुक्रमण और Genome India परियोजना पर अपने लेख में विस्तार से देखते हैं।)

राज्य आगे बढ़ रहा है, भले सावधानी से। Council of Scientific and Industrial Research (CSIR) लखनऊ के CDRI, पुणे के NCL और हैदराबाद के IICT जैसी प्रयोगशालाओं में एक AI-संचालित दवा-खोज कार्यक्रम चलाता है, जिसका ख़ास ध्यान उन उपेक्षित और उष्णकटिबंधीय बीमारियों के लिए मौजूदा दवाओं को नए उपयोग में लाने पर है जिन्हें बड़ी वैश्विक फ़ार्मा नज़रअंदाज़ करती है — AI के लिए एक स्वाभाविक मेल, जो ज्ञात अणुओं के नए उपयोग पकड़ने में अच्छा है। सरकार की BioE3 नीति — “Biotechnology for Economy, Environment and Employment” का संक्षिप्त रूप, जो 2024 में मंज़ूर हुई — साफ़ तौर पर AI और डेटा विज्ञान को एक नियोजित जैव-विनिर्माण अभियान के स्तंभ बताती है, जिसे Bio-AI केंद्रों और बायोफ़ाउंड्रीज़ का एक नेटवर्क सहारा देता है। और इरादे का एक शुरुआती प्रतीक भी है: PEPR124, जिसे भारत का पहला AI-खोजा दवा-उम्मीदवार बताया गया, दुर्लभ मांसपेशी-क्षय विकार ड्यूशेन मस्कुलर डिस्ट्रॉफ़ी (Duchenne muscular dystrophy) के लिए नए उपयोग में लाया गया, 2025 में एक थेराप्यूटिक्स कंपनी को लाइसेंस किया गया। इनमें से कुछ भी अभी अमेरिकी या चीनी AI-फ़ार्मा के पैमाने की बराबरी नहीं करता, और भारत के नियामक तथा डेटा-शासन ढाँचे अब भी पीछे चल रहे हैं। लेकिन सस्ती, AI-संचालित खोज और सस्ती विनिर्माण में भारत की ताक़त का मेल एक सचमुच ताक़तवर प्रस्ताव की ओर इशारा करता है — ग़रीबों की बीमारियों के लिए दवाएँ, भारत में डिज़ाइन और निर्मित। यह वही कंप्यूटिंग और जीवविज्ञान का संगम है जो जीन थेरेपी की नई लहर में चलता है, और भारत इसमें शामिल होने का इरादा रखता है।

आपके Mains उत्तर के लिए

यह GS Paper 3 के लिए एक ऊँचे महत्व का विषय है, “विज्ञान और तकनीक में विकास” तथा “तकनीक का स्वदेशीकरण” के अंतर्गत, जिसका स्वास्थ्य, बौद्धिक संपदा और नई जैव-प्रौद्योगिकी अर्थव्यवस्था में गहरा मेल है। यह तकनीक, आत्मनिर्भरता या AI के वादे-बनाम-ख़तरे पर Essay पेपर के लिए भी एक सुथरा, आधुनिक उदाहरण दे सकता है। परीक्षक जिस कौशल को अंक देते हैं वही इस लेख में दिखाया गया है: सुर्ख़ी वाली उपलब्धि (AlphaFold, नोबेल) को ईमानदार सीमाओं (नैदानिक परीक्षण, डेटा, हो-हल्ला) के साथ जोड़िए, और हमेशा भारत वाला पहलू लाकर उतरिए।

उत्तर कैसे बनाएँ

तकनीक से नहीं, समस्या से शुरू कीजिए — दवा खोज की 10 से 15 साल, करीब $2.6 बिलियन, करीब 90 प्रतिशत नाकामी वाली हक़ीक़त। फिर दिखाइए कि AI हर चरण पर कैसे हमला करता है: लक्ष्य पहचान, प्रोटीन-संरचना अनुमान (AlphaFold, 20 करोड़ संरचनाएँ, 2024 नोबेल), जनरेटिव अणु डिज़ाइन, वर्चुअल स्क्रीनिंग और विषाक्तता अनुमान। एक संतुलित आलोचना की ओर मुड़िए — अनुमान परिकल्पनाएँ हैं, नैदानिक परीक्षण टाले नहीं जा सकते, डेटा कम और पक्षपाती है, हो-हल्ला और शासन असली हैं। भारत पर समाप्त कीजिए: जेनेरिक दिग्गज से संभावित आविष्कारक, Genome India डेटा, CSIR का कार्यक्रम, BioE3 नीति। यह चाप — समस्या, बदलाव, सीमाएँ, भारत — इस विषय के लगभग किसी भी सवाल में फ़िट बैठता है।

किन ग़लतियों से बचें

यह मत कहिए कि AI ने “दवा खोज को तुरंत बना दिया” या “नैदानिक परीक्षण ख़त्म कर दिए” — यह सिर्फ़ शुरुआती चरणों को तेज़ करता है। AlphaFold (जो प्रोटीन का आकार बताता है) को उस AI से मत उलझाइए जो दवा का अणु डिज़ाइन करता है; ये अलग-अलग चरणों के अलग-अलग औज़ार हैं। उपलब्धि का श्रेय देना मत भूलिए — 2024 का रसायन नोबेल Hassabis और Jumper (AlphaFold) तथा Baker (प्रोटीन डिज़ाइन) को मिला। और इसे विदेशी कहानी मत समझिए; अंक इसे भारत की फ़ार्मा ताक़त, जीनोमिक डेटा और BioE3 अभियान से जोड़ने में हैं।

एक संक्षिप्त उत्तर-रीढ़

दवा खोज = धीमी, महँगी, नाकामी-भरी (~10-15 साल, ~$2.6 बिलियन, ~90% परीक्षण नाकाम) → AI हर चरण पर हमला: लक्ष्य पहचान + प्रोटीन फ़ोल्डिंग (AlphaFold, 20 करोड़ संरचनाएँ, मुफ़्त डेटाबेस, 2024 नोबेल) + जनरेटिव शून्य-से अणु डिज़ाइन + वर्चुअल स्क्रीनिंग + ADMET/विषाक्तता अनुमान → सबूत: rentosertib जैसे AI-डिज़ाइन उम्मीदवार नैदानिक परीक्षण में → सीमाएँ: अनुमान परिकल्पनाएँ, परीक्षण टाले नहीं जा सकते, डेटा कम/पक्षपाती, हो-हल्ला + IP + सुरक्षा शासन → भारत: जेनेरिक महाशक्ति से आविष्कारक, Genome India डेटा, CSIR AI कार्यक्रम, BioE3 नीति, उपेक्षित बीमारियों की दवाएँ → फ़ैसला: ताक़तवर त्वरक, क्लिनिक के पार शॉर्टकट नहीं।

आरेख या फ़्लोचार्ट का विचार

एक सरल क्षैतिज प्रक्रिया बनाइए — लक्ष्य → हिट → लीड → प्रीक्लिनिकल → परीक्षण — और इसके ऊपर निशान लगाइए कि AI हर शुरुआती ख़ाने को कहाँ निचोड़ता है (पहले तीन पर एक मोटा तीर), नैदानिक-परीक्षण ख़ाने को अछूता छोड़ते हुए ताकि सीमा दिखे। एक दूसरा नन्हा चित्र: एक-पंक्ति का अमीनो-अम्ल अनुक्रम जिससे एक तीर मुड़े हुए 3D गोले की ओर जाए, जिस पर लिखा हो “AlphaFold”। दो साफ़ दृश्य पूरा तर्क ढो लेते हैं।

एक संतुलित-निष्कर्ष वाली पंक्ति

एक पंक्ति जो अंक दिलाती है: “AI ने रसायनशास्त्री या नैदानिक परीक्षण की जगह नहीं ली है — इसने उन्हें प्रोटीन ब्रह्मांड का एक नक्शा और उसे खोजने का तेज़ तरीक़ा थमाया है, और भारत के लिए असली इनाम उस नक्शे का इस्तेमाल कर उन बीमारियों के लिए सस्ती दवाएँ डिज़ाइन करना है जिन्हें दुनिया लंबे समय से उपेक्षित करती आई है।”

रट्टा लगाए बिना आँकड़ों का इस्तेमाल कैसे करें

आपको एक पाठ्यपुस्तक नहीं, सिर्फ़ चार या पाँच लंगर चाहिए: प्रति दवा ~10-15 साल और ~$2.6 बिलियन, ~90 प्रतिशत नैदानिक-परीक्षण नाकामी, 20 करोड़ से ज़्यादा AlphaFold संरचनाएँ, और 2024 का रसायन नोबेल। इन्हें सीधे-सीधे श्रेय दीजिए — “EMBL-EBI के साथ बना AlphaFold डेटाबेस” — न कि आँकड़ों को इधर-उधर बिखेर कर।

अभ्यास प्रश्न

Prelims MCQs

1. AlphaFold, जिसे 2024 के रसायन विज्ञान नोबेल पुरस्कार से मान्यता मिली, को सबसे अच्छी तरह किस रूप में बताया जा सकता है?
   (a) CRISPR से जीन संपादित करने वाला सिस्टम
   (b) किसी प्रोटीन के अमीनो-अम्ल अनुक्रम से उसकी त्रि-आयामी संरचना का अनुमान लगाने वाला सिस्टम
   (c) मानव जीनोम का अनुक्रमण करने वाला सिस्टम
   (d) जेनेरिक दवाएँ बनाने वाला सिस्टम
   उत्तर: (b) AlphaFold किसी प्रोटीन के मुड़े हुए 3D आकार का अनुमान उसके अनुक्रम से लगाता है, और लंबे समय से चली आ रही प्रोटीन-फ़ोल्डिंग की पहेली सुलझाता है।
2. पारंपरिक दवा-खोज प्रक्रिया के संदर्भ में, निम्न कथनों पर विचार कीजिए।
   1. किसी नई दवा को बाज़ार में लाने में आम तौर पर करीब 10 से 15 साल लगते हैं।
   2. नैदानिक परीक्षणों में उतरने वाले करीब 90 प्रतिशत उम्मीदवार नाकाम हो जाते हैं।
   3. अगर कोई AI किसी अणु को सुरक्षित बता दे तो नैदानिक-परीक्षण चरण छोड़ा जा सकता है। कौन-से सही हैं?
   (a) केवल 1 और 2
   (b) केवल 2 और 3
   (c) केवल 1 और 3
   (d) 1, 2 और 3
   उत्तर: (a) कथन 1 और 2 सही हैं; मनुष्यों में नैदानिक परीक्षण छोड़े नहीं जा सकते, चाहे AI कुछ भी अनुमान लगाए।
3. AlphaFold Protein Structure Database, जो अनुमानित प्रोटीन संरचनाओं तक खुली पहुँच देता है, Google DeepMind ने किस संस्था के साथ साझेदारी में विकसित किया?
   (a) विश्व स्वास्थ्य संगठन (WHO)
   (b) EMBL का European Bioinformatics Institute (EMBL-EBI)
   (c) अमेरिकी National Institutes of Health
   (d) CSIR
   उत्तर: (b) यह डेटाबेस EMBL-EBI के साथ बनाया गया और इसमें 20 करोड़ से ज़्यादा अनुमानित संरचनाएँ हैं।
4. AI दवा खोज में “शून्य से अणु डिज़ाइन” (de novo molecule design) निम्न में से किसे दर्शाता है?
   (a) यौगिकों के किसी मौजूदा तय पुस्तकालय को छानना
   (b) किसी लक्ष्य से चिपकने के लिए शून्य से बिल्कुल नए उम्मीदवार अणु गढ़ना
   (c) किसी मरीज़ के जीनोम का अनुक्रमण करना
   (d) किसी दवा को औद्योगिक पैमाने पर बनाना
   उत्तर: (b) जनरेटिव AI सिर्फ़ ज्ञात यौगिकों को छानने के बजाय किसी लक्ष्य के लिए ढाली गई नई रासायनिक संरचनाएँ गढ़ता है।
5. निम्न में से कौन AI-संचालित दवा खोज से जुड़ी कोई भारतीय पहल या संपत्ति है? 1. Genome India परियोजना।
   2. CSIR का AI-संचालित दवा-खोज कार्यक्रम।
   3. BioE3 नीति। सही उत्तर चुनिए।
   (a) केवल 1
   (b) केवल 1 और 2
   (c) केवल 2 और 3
   (d) 1, 2 और 3
   उत्तर: (d) तीनों भारत के AI-सक्षम जैव-प्रौद्योगिकी और दवा खोज की ओर बढ़ने को सहारा देते हैं।

Mains अभ्यास प्रश्न

1. “आर्टिफ़िशियल इंटेलिजेंस ने दवा खोज के शुरुआती चरणों को बदल दिया है पर नैदानिक परीक्षण को नहीं।” उपयुक्त उदाहरणों सहित इस कथन की आलोचनात्मक जाँच कीजिए। (15 अंक, 250 शब्द)
2. समझाइए कि AlphaFold जैसे AI सिस्टमों द्वारा प्रोटीन संरचनाओं का अनुमान जीवविज्ञान और चिकित्सा के लिए एक मोड़ कैसे है। इसकी सीमाएँ क्या हैं? (15 अंक, 250 शब्द)
3. भारत “दुनिया की फ़ार्मेसी” है पर बड़े पैमाने पर जेनेरिक दवाओं का निर्माता है। चर्चा कीजिए कि आर्टिफ़िशियल इंटेलिजेंस और स्वदेशी जीनोमिक डेटा भारत को नई दवाओं का आविष्कारक बनने में कैसे मदद कर सकते हैं। (15 अंक, 250 शब्द)
4. दवा खोज में आर्टिफ़िशियल इंटेलिजेंस के इस्तेमाल से उठने वाली नैतिक, नियामक और डेटा-संबंधी चुनौतियों पर चर्चा कीजिए। (10 अंक, 150 शब्द)
5. भारत की AI-संचालित जैव-प्रौद्योगिकी और दवा खोज की क्षमता बनाने में BioE3 नीति और CSIR के कार्यक्रमों जैसी सरकारी पहलों की भूमिका का मूल्यांकन कीजिए। (15 अंक, 250 शब्द)

सामान्य प्रश्न