Adaptyv को 40 मिलियन USD—AI डिज़ाइन अब असली प्रयोगशाला में परखेगा
लॉज़ान स्थित Adaptyv Bio ने 25 अगस्त 2026 को 40 मिलियन USD की सीरीज ए घोषित की। कंपनी की वित्तपोषण घोषणा के अनुसार Highland Europe ने दौर का नेतृत्व किया और मौजूदा निवेशक ACE Ventures, byFounders तथा Y Combinator भी शामिल हुए।
EU-Startups की 27 अगस्त की स्वतंत्र रिपोर्ट ने राशि को 34.35 मिलियन यूरो के बराबर बताया और पुष्टि की कि पूँजी स्वचालित प्रयोगशाला के विस्तार के लिए है। यह प्रयोगशाला पहले से प्रोटीनों का परीक्षण कर रही है; नया निवेश AI से प्रस्तावित अधिक डिज़ाइनों को भौतिक नमूनों और मापे गए परिणामों तक पहुँचाने की क्षमता बढ़ाने के लिए है।
पूँजी प्रयोगों की अड़चन पर खर्च होगी
AI मॉडल कम समय में हजारों संभावित अमीनो-अम्ल अनुक्रम बना सकते हैं, लेकिन गणनात्मक रूप से आशाजनक अनुक्रम अपने-आप उपयोगी प्रोटीन नहीं बन जाता। यह जानने के लिए वास्तविक नमूना तैयार करना पड़ता है कि प्रोटीन अभिव्यक्त होता है या नहीं, पर्याप्त स्थिर है या नहीं और निर्धारित लक्ष्य के साथ अपेक्षित अंतःक्रिया दिखाता है या नहीं।
Adaptyv ने 2026 के अंत तक प्रयोगशाला क्षमता लगभग तीन गुनी करने, लॉज़ान में विस्तार करने और चौथी तिमाही में लंदन में नई प्रयोगशाला तथा कार्यालय खोलने की योजना रखी है। कंपनी टीम को 25 से लगभग 60 लोगों तक ले जाना चाहती है और बाइंडिंग परीक्षणों से आगे पेप्टाइड, एंटीबॉडी-दवा संयुग्म, प्रोटीन डिग्रेडर, विकास-योग्यता तथा व्यापक जैव-भौतिक लक्षणों पर काम बढ़ाने की योजना बना रही है। ये घोषित लक्ष्य हैं, पूरी हो चुकी उपलब्धियाँ नहीं।
Pulse 2.0 की 27 अगस्त की रिपोर्ट के अनुसार Adaptyv ने पिछले वर्ष प्रयोगशाला की प्रवाह क्षमता पाँच गुना से अधिक बढ़ाई और 100 से अधिक ग्राहक जोड़े। ये कंपनी द्वारा बताए गए परिचालन आँकड़े हैं; इनसे किसी प्रोटीन या दवा की वैज्ञानिक सफलता सिद्ध नहीं होती।
डिजिटल अनुक्रम असली डेटा कैसे बनता है
कार्यप्रवाह एक डिजिटल प्रोटीन अनुक्रम से शुरू होता है। उस डिज़ाइन के अनुरूप DNA बनाया जाता है, प्रोटीन अभिव्यक्त किया जाता है और तैयार नमूने पर भौतिक परीक्षण होता है। बाइंडिंग परीक्षण में सतही प्लाज़्मोन अनुनाद जैसे उपकरण यह माप सकते हैं कि नमूना अपने लक्ष्य से जुड़ता है या नहीं; गुणवत्ता नियंत्रण यह जाँचता है कि परिणाम पढ़ने योग्य और विश्वसनीय है।
इसलिए AI आउटपुट और प्रयोगशाला आउटपुट अलग प्रकार के प्रमाण हैं। पहला उम्मीदवार अनुक्रम और उसके व्यवहार का गणनात्मक अनुमान देता है। दूसरा बताता है कि भौतिक प्रोटीन बना या नहीं, मापन सफल रहा या नहीं और परीक्षण की निर्धारित परिस्थितियों में कैसी अंतःक्रिया दिखाई दी।
मान लें कि कोई मॉडल एक लक्ष्य के लिए एक हजार उम्मीदवार सुझाता है। प्रयोगशाला की उपलब्ध क्षमता, लागत और अनुक्रमों की विविधता देखकर उनमें से सीमित उम्मीदवार चुने जा सकते हैं। कुछ प्रोटीन बनेंगे ही नहीं, कुछ लक्ष्य से नहीं जुड़ेंगे और कुछ प्रारंभिक उपयोगी संकेत देंगे; नकारात्मक परिणाम भी अगले डिज़ाइन चक्र को सुधारने के लिए उपयोगी डेटा बन सकते हैं।
API से AI एजेंट प्रयोग कैसे मँगाता है
Adaptyv का API प्रयोगशाला और AI प्रणाली के बीच प्रोग्रामीय रास्ता बनाता है। Adaptyv की API घोषणा के अनुसार सॉफ्टवेयर उपलब्ध लक्ष्यों को देख सकता है, प्रयोग बना सकता है, लागत का अनुमान ले सकता है, कार्यप्रवाह की स्थिति जाँच सकता है और संरचित परिणाम प्राप्त कर सकता है। प्रयोग बनाते समय अनुक्रम और परीक्षण का प्रकार भेजने के बाद जीन संश्लेषण, अभिव्यक्ति, शुद्धीकरण तथा लक्षण-वर्णन प्रयोगशाला कार्यप्रवाह में होते हैं।
AI एजेंट इसी इंटरफेस से उम्मीदवार चुनकर परीक्षण अनुरोध भेज सकता है और लौटे परिणामों के आधार पर अगला दौर तय कर सकता है। इससे हर अनुरोध को किसी व्यक्ति द्वारा वेब प्रपत्र में हाथ से दर्ज करने की आवश्यकता घटती है, लेकिन नमूने की पहचान, उपकरणों का संचालन, नियंत्रणों की जाँच और संदिग्ध नतीजों की समीक्षा समाप्त नहीं होती।
प्रयोग मँगाने का स्वचालन, प्रयोग सफल होने की गारंटी नहीं है। API अनुरोध और परिणामों का आदान-प्रदान तेज कर सकता है; वह खराब डिज़ाइन को प्रभावी प्रोटीन में नहीं बदल सकता और न ही अनुपयुक्त परीक्षण से निकले डेटा को उपयोगी प्रमाण बना सकता है।
दवा तक की दूरी अभी लंबी है
किसी प्रोटीन का बनना पहला संकेत है और लक्ष्य से जुड़ना अगला। संभावित दवा के लिए इसके बाद चयनात्मकता, स्थिरता, उत्पादन-योग्यता, विषाक्तता, प्रतिरक्षा प्रतिक्रिया और कोशिकाओं या जीवों में वास्तविक प्रभाव जैसे अलग प्रश्नों की जाँच करनी होती है। सफल प्रारंभिक बाइंडिंग परीक्षण भी चिकित्सकीय लाभ का प्रमाण नहीं है।
अधिक प्रयोगशाला क्षमता का वास्तविक मूल्य यह है कि ज्यादा उम्मीदवारों को एक जैसी प्रक्रियाओं में जाँचा जा सकता है और सफल तथा असफल दोनों परिणाम संरचित रूप में लौटाए जा सकते हैं। फिर भी डेटा की उपयोगिता नमूनों की सही पहचान, उपयुक्त नियंत्रण, माप की पुनरुत्पादकता और परीक्षण के संदर्भ पर निर्भर करेगी।
अब देखने वाली ठोस बातें हैं कि Adaptyv नियोजित क्षमता विस्तार और लंदन सुविधा को तय अवधि में पूरा करती है या नहीं तथा ज्यादा प्रयोगों के बीच गुणवत्ता नियंत्रण कैसा रहता है। वैज्ञानिक कसौटी इससे कठिन है: तेज डिज़ाइन–परीक्षण चक्र को लगातार पुनरुत्पादित डेटा देना होगा और दिखाना होगा कि वह डेटा बेहतर उम्मीदवार चुनने में मदद करता है। 40 मिलियन USD ने वास्तविक प्रयोगों का पैमाना बढ़ाने का रास्ता खोला है; किसी सफल दवा या नई जैविक खोज का प्रमाण अभी नहीं मिला है।
यह भी पढ़ें:
हमारे न्यूज़लेटर की सदस्यता लें
Web3, AI और क्रिप्टो की नवीनतम खबरें सीधे अपने इनबॉक्स में पाएँ।