Outer Biosciences आता मशीन-लर्निंग मॉडेल्समध्ये जिवंत मानवी त्वचा पुरवते—जी टाकून दिलेल्या शस्त्रक्रियांच्या ऊतींमधून (tissue) गोळा केली जाते आणि एक महिन्यापेक्षा जास्त काळ जिवंत ठेवली जाते. या स्टार्टअपला औषध-शोध (drug-discovery) आणि त्वचाविज्ञानातील (dermatology) भाकिते अधिक विश्वसनीय बनवण्याची आशा आहे. त्यांची दोन वर्षांची पाइपलाइन शस्त्रक्रिया कक्षातून ऊती काही तासांत प्रयोगशाळेत पोहोचवते, ज्या वेगामुळे पेशींचे नैसर्गिक वर्तन टिकून राहते, असे कंपनीचे म्हणणे आहे.
जुने डेटा-सेट्स अपुरे का पडतात
बायोटेकच्या अलीकडील इतिहासात, संशोधक संगणकीय साधने प्रशिक्षित करण्यासाठी प्रामुख्याने प्राण्यांवरील मॉडेल्स किंवा कल्चर केलेल्या सेल लाईन्सवर अवलंबून राहिले आहेत. ही प्रणाली स्वस्त आणि हाताळण्यास सोपी आहे, परंतु ती मानवी त्वचेची संपूर्ण जटिलता क्वचितच टिपू शकते—जी एक स्तरांची अवयव असून त्यात रोगप्रतिकारक पेशी, मज्जातंतू (nerve endings), मायक्रोबायोम परस्परसंवाद आणि संप्रेरके (hormones) व तणावाप्रती गतिशील प्रतिसाद असतो. या विसंगतीमुळे औषध विकासकांना प्राण्यांवरील चाचण्या आणि मानवी चाचण्यांचे अनेक फेरे घ्यावे लागतात, ज्यामुळे खर्च वाढतो आणि कालावधीही वाढतो.
Outer Biosciences स्वतःला या दरीचा पूल म्हणून सादर करते. डिशमध्ये कधीही बदल न केलेली ऊती वापरून, कंपनीचा असा विश्वास आहे की तिचे AI अशा पॅटर्न शिकू शकते जे कृत्रिम मॉडेल्सना दिसत नाहीत. सेल लाईनचा स्थिर स्नॅपशॉट आणि वातावरणाशी सतत संवाद साधणारा ऊतीचा तुकडा यातील फरक स्पष्ट करण्यासाठी टीम "लिव्हिंग डेटा" (Living data) हा शब्द वापरते.
ऑपरेशन थिएटरपासून अल्गोरिदमपर्यंत
लॉजिस्टिक आव्हाने वैज्ञानिक आव्हानांच्या बरोबरीची आहेत. Outer Biosciences अशी त्वचा मिळवते जी ॲबडोमिनोप्लास्टी किंवा मॅस्टेक्टॉमी सारख्या प्रक्रियांदरम्यान अन्यथा टाकून दिली जाते. इन्स्टिट्यूशनल रिव्ह्यू बोर्ड (IRB) च्या देखरेखीखाली कार्यरत असलेले बिगर नफा आणि व्यावसायिक बायोबँक्स, संशोधनासाठी दात्याची संमती नोंदवतात. एकदा रुग्णालयाने योग्य नमुना सूचित केला की, कंपनीचे कुरिअर नेटवर्क तो उचलते, तापमान-नियंत्रित कंटेनरमध्ये त्याची वाहतूक करते आणि काही तासांत प्रक्रिया केंद्रात पोहोचवते.
प्रयोगशाळेत, त्वचा एका पर्फ्युजन सिस्टममध्ये असते जी रक्तप्रवाहाची नक्कल करते, ज्यामुळे पेशी ३० दिवसांपर्यंत जिवंत राहतात. त्या कालावधीत, टीम हाय-रिझोल्यूशन इमेजिंग, ट्रान्सक्रिप्टोमिक्स आणि प्रोटिओमिक्स डेटा विविध टप्प्यांवर गोळा करते. हा मल्टी-मोडल डेटासेट डीप-लर्निंग पाइपलाईन्सना फीड केला जातो, जे ऊती रासायनिक संयुगे, UV एक्सपोजर किंवा दाहक (inflammatory) ट्रिगर्सना कसा प्रतिसाद देतील याचे भाकीत करतात.
या प्रक्रियेचे सूत्र हाती घेणारी माणसे
सह-संस्थापक आणि CEO मायकेल पोलान्स्की हार्वर्डमधून गणिती पार्श्वभूमी आणि व्हेंचर-कॅपिटल पोर्टफोलिओपासून जागतिक कॉन्सर्ट टूर्सपर्यंत जटिल ऑपरेशन्स स्केल करण्याचा अनुभव घेऊन आले आहेत. मुख्य शास्त्रज्ञ क्युंग-जिन जँग, जे त्वचा-जीवशास्त्र तज्ज्ञ आहेत, प्रायोगिक बाजूचे दिग्दर्शन करतात, तर CTO ख्रिस हिना्होसा इमेजिंग आणि मॉलिक्युलर स्ट्रीम्सना एकत्र जोडणारा डेटा-इंजिनिअरिंग प्लॅटफॉर्म तयार करतात. बोर्डमध्ये पॉप-कल्चर आयकॉन लेडी गागा यांचा समावेश आहे, ज्या कॉस्मेटिक्स ब्रँड Haus Labs चे देखील अध्यक्ष आहेत, हा एक असा उपक्रम आहे जो Outer Biosciences सोबत संशोधनाचे स्रोत शेअर करतो.
हे क्रॉस-इंडस्ट्री संबंध स्टार्टअपला एक विशिष्ट लॉजिस्टिक नेटवर्क तयार करण्यासाठी भांडवल आणि सुरुवातीच्या उपयोगांसाठी तयार बाजारपेठ दोन्ही देतात. उदाहरणार्थ, Haus Labs मानवी स्वयंसेवकांकडे जाण्यापूर्वी नवीन फॉर्म्युलेशन्सची चाचणी या लिव्ह-टिश्यू प्लॅटफॉर्मवर करू शकते, ज्यामुळे उत्पादन विकास चक्रातील आठवडे वाचू शकतात.
काय पणाला लागले आहे
जर हा दृष्टिकोन आपल्या आश्वासनाप्रमाणे यशस्वी झाला, तर फार्मास्युटिकल कंपन्या सुरुवातीच्या टप्प्यातील स्क्रीनिंगसाठी आवश्यक असलेल्या प्राण्यांवरील अभ्यासांची संख्या कमी करू शकतात, ज्यामुळे खर्च आणि नैतिक चिंता दोन्ही कमी होतील. त्वचाविज्ञान क्लिनिकना असे AI टूल्स मिळू शकतात जे रुग्णाची त्वचा प्रिस्क्रिप्शन क्रीमला कसा प्रतिसाद देईल याचे भाकीत करतील, ज्यामुळे खऱ्या अर्थाने वैयक्तिक उपचार योजना शक्य होतील. व्यापक AI समुदायाला देखील अधिक समृद्ध, अधिक वास्तववादी ट्रेनिंग सेटचा फायदा होऊ शकतो जो प्रेडिक्टिव्ह बायोलॉजीच्या मर्यादा विस्तारतो.
हा मॉडेल स्केलेबिलिटी आणि गोपनीयतेबद्दल प्रश्न निर्माण करतो. शस्त्रक्रियेतून ऊती गोळा करणे हे रुग्णालये आणि सहभागी होण्यास तयार असलेले दातांवर अवलंबून असते आणि मागणी वाढल्यास पुरवठा साखळीत अडथळे येऊ शकतात. जरी बायोबँक्स IRB च्या देखरेखीखाली काम करत असल्या तरी, डेटा हाताळणीच्या पद्धतींमध्ये त्रुटी आल्यास तपशीलवार मॉलिक्युलर प्रोफाइल सैद्धांतिकदृष्ट्या व्यक्तींशी जोडले जाऊ शकतात. टीकाकारांचे म्हणणे आहे की, संमती असूनही, टाकून दिलेल्या ऊतींचा व्यावसायिक वापर नैतिकतेची एक पुसट रेषा ओलांडतो.
प्रतिवाद: ऑर्गनोइड्सची अजूनही भूमिका आहे का?
जे शास्त्रज्ञ ऑर्गनोइड्स (organoids)—जे अवयवांचे कार्य हुबेहूब करण्यासाठी प्रयोगशाळेत वाढवलेले पेशींचे त्रिमितीय समूह आहेत—त्यांना या मॉडेल्सना पूर्णपणे नाकारण्याबाबत सावधगिरीचा इशारा देतात. ऑर्गनोइड्स एकाच रुग्णाच्या 'इंड्युस्ड प्लुरिपोटंट स्टेम सेल्स' (induced pluripotent stem cells) पासून तयार केले जाऊ शकतात, ज्यामुळे नवीन शस्त्रक्रिया केलेल्या ऊतींची (tissue) गरज न पडता एक वैयक्तिकृत प्लॅटफॉर्म उपलब्ध होतो. ते संशोधकांना अनेक महिन्यांच्या विकास प्रक्रियेचा अभ्यास करण्याची संधी देतात, जे ३० दिवसांच्या त्वचेच्या स्लाइसद्वारे (skin slice) शक्य नाही. Outer Biosciences मान्य करते की त्यांचे प्लॅटफॉर्म हे सार्वत्रिक पर्याय नसून, ज्या विशिष्ट प्रश्नांमध्ये त्वचेची मूळ रचना अत्यंत महत्त्वाची असते, अशा ठिकाणी उच्च-गुणवत्तेच्या डेटाचा एक पूरक स्रोत आहे.
पुढील वाटचाल
Outer Biosciences सध्या अनेक बायोटेक भागीदारांसोबत पायलट स्टडीज (pilot studies) करत आहे, ज्यामध्ये ज्ञात औषध परिणामांच्या आधारे त्यांच्या मॉडेल्सची वर्तवणूक करण्याची क्षमता तपासली जात आहे. केवळ अंतर्गत ब्रीफिंगमध्ये सामायिक करण्यात आलेल्या सुरुवातीच्या निकालांवरून असे दिसून येते की, इतर ऑर्गनोइड-आधारित अंदाजांच्या तुलनेत हे निकाल क्लिनिकल-ट्रायल डेटाशी अधिक सुसंगत आहेत. कंपनी आपल्या ऊतींच्या (tissue) संग्रहात इतर अवयवांचा समावेश करण्यासाठी विस्तार करण्याचा विचार करत आहे, जरी प्रत्येक अवयवासाठी स्वतःची लॉजिस्टिक आव्हाने असतील.
जिवंत मानवी ऊतींवर प्रशिक्षित केलेल्या AI मॉडेल्सबाबत नियामक संस्थांनी अद्याप कोणतेही विशिष्ट मार्गदर्शन जारी केलेले नाही, परंतु AI-चालित वैद्यकीय उपकरणांसाठी FDA चे विकसित होत असलेले फ्रेमवर्क Outer च्या कामाशी संबंधित असण्याची शक्यता आहे. हे स्टार्टअप असे सांगत आहे की ते असे दस्तऐवजीकरण तयार करत आहे जे डेटा-गोपनीयतेचे मानके आणि अल्गोरिदमिक पारदर्शकतेसाठी एजन्सीच्या अपेक्षा या दोन्ही गोष्टी पूर्ण करेल.
निष्कर्ष
Outer Biosciences ने एक लॉजिस्टिक कामगिरी—तात्काळ मानवी त्वचा शस्त्रक्रिया कक्षातून प्रयोगशाळेत पोहोचवणे—याचे रूपांतर एका डेटा इंजिनमध्ये केले आहे, जे औषधे आणि त्वचेच्या आरोग्याबद्दलच्या AI अंदाजांना अधिक विश्वासार्ह बनवू शकते. या उपक्रमाचे यश हे ऊतींचा पुरवठा (tissue pipeline) अखंड ठेवणे, देणाऱ्याची गोपनीयता राखणे आणि "जिवंत डेटा" (living data) खरोखरच अस्तित्वात असलेल्या कृत्रिम मॉडेल्सपेक्षा सरस आहे हे सिद्ध करण्याच्या क्षमतेवर अवलंबून असेल. जर ते यशस्वी झाले, तर त्याचा परिणाम फार्मा, कॉस्मेटिक्स आणि क्लिनिकल डर्मेटोलॉजीमध्ये जाणवेल, ज्यामुळे मानवी शरीर समजून घेण्यासाठी आपण यंत्रांना प्रशिक्षित करण्याची पद्धत पूर्णपणे बदलू शकते.