Yapay Zeka ile İlaç Keşfinde Veri Döngüsünü Kapatmak

İlaç Keşfinde Yapay Zeka Devrimi

İlaç keşfi, yüksek maliyetli ve yüksek riskli bir girişimdir. 1950'lerden bu yana yeni ilaç geliştirme maliyeti yaklaşık her dokuz yılda bir ikiye katlanıyor; bu olgu Eroom Yasası olarak biliniyor. Günümüzde yeni bir ilacı piyasaya sürmek ortalama 10-15 yıl sürüyor ve maliyeti 1 milyar ila 2,5 milyar dolar arasında değişiyor; başarısızlık oranı ise %90'ın üzerinde. Yapay zeka (AI), ilaç endüstrisinin başarı oranlarını artırmak ve zaman çizelgelerini kısaltmak için en büyük umudu haline geldi. İlaç şirketleri yeni kimyasal bileşikleri ne kadar hızlı tanımlar, test eder ve optimize ederse, geliştirmenin ilerleyen aşamalarında maliyetli başarısızlık riski o kadar düşük olur. Cytiva'da protein araştırma stratejisi direktörü Paul Belcher, "İlaç keşfindeki ana maliyet hala klinik aşamadır, bu nedenle riski azaltmaya ve başarı oranlarını artırmaya çalışmak son derece faydalıdır. AI, ilaç şirketlerinin yalnızca zamandan tasarruf etmesini ve zaman çizelgelerini kısaltmasını değil, aynı zamanda kliniğe ulaşan adayların kalitesini artırmasını sağlayacak bir yaklaşımdır" diyor.

AI ile Verimlilik ve Hedef Belirleme

AI'nın ilaç keşfindeki en umut verici erken aşama uygulamalarından biri, hedef belirleme (hit identification) sürecidir. Bu, bir hastalıkla ilişkili hedefe (örneğin bir protein) bağlanan molekülleri bulmak için moleküler kütüphanelerin taranmasını içerir. Başarılı bir hedef, araştırmacılara daha fazla test ve iyileştirme için bir başlangıç noktası sağlar. Belcher, ampirik taramadan tahmine dayalı tasarıma geçiş gözlemliyor: İlaç şirketleri artık fiziksel olarak kütüphaneleri taramak yerine, AI kullanarak sıfırdan ilaç adayları tasarlıyor ve bunların hastalık hedefleriyle nasıl etkileşime gireceğini tahmin ediyor. Bu, şirketlerin başlangıç noktalarını belirlemek için fiziksel olarak tarayabilecekleri miktarla sınırlı olmadığı anlamına geliyor. Belcher, "AI bunu ortadan kaldırıyor ve düşük kaliteli adayları fiziksel olarak test etmeden önce elemeye yardımcı oluyor, böylece zaman ve kaynak tasarrufu sağlıyor" diyor. Ancak AI, yeni bileşiklerin kinetiğini veya geliştirilebilirliğini henüz güvenilir bir şekilde tahmin edemiyor. Bu nedenle, AI tarafından üretilen her adayın laboratuvarda doğrulanması gerekiyor. Geleneksel tarama iş akışları, hedefleri ölçekte belirlemek için tasarlanmıştı, karmaşık adayları ayrıntılı olarak profillemek için değil. Bu, laboratuvar ekipleri üzerinde daha fazla baskı oluşturuyor; artık daha çeşitli, AI tarafından üretilen bileşikleri test etmek, karakterize etmek ve saflaştırmak zorundalar.

Modeller İçin Eksiksiz ve Kaliteli Veri İhtiyacı

AI, veri açısından zengin laboratuvar sistemlerine olan talebi hızlandırırken, daha iyi ve daha eksiksiz veriye olan temel ihtiyacı da ortaya çıkardı. Birçok erken AI modeli, halka açık veri kümeleriyle eğitildi ve şimdi Belcher'ın deyimiyle bir "veri duvarına" çarpıyor. Modeller aynı verilere erişebildiğinden, hepsi benzer sonuçlara ulaşıyor ve zamanla azalan getiriler görülüyor. Ayrıca, veri kümeleri AI düşünülerek oluşturulmadığından, modelleri doğru ve önyargısız tutmak için gereken yapı, etiketleme ve çeşitlilikten yoksunlar. Yayın yanlılığı (publication bias) sorunu daha da kötüleştiriyor. Belcher, "Çoğu halka açık veri kümesi ve bilimsel yayın yalnızca olumlu sonuçlara odaklanır. Kimse başarısızlıklarını paylaşmak istemez. Bu yanlılık, neredeyse bir kolunuz arkadan bağlı olmak gibidir. AI modelleri başarıyla ilişkili kalıpları belirleyebilir, ancak tahminleri daha güvenilir kılacak başarısızlıklara ilişkin kapsamlı bir anlayıştan yoksundur" diyor. Modelleri önemli ölçüde iyileştireceğine inandığı veriler (başarısız deneyler, bağlanmayan bileşikler) sinir bozucu bir şekilde elde edilmesi zor olmaya devam ediyor. "Sık sık 'negatif veri dergisi' olmalı diye şaka yaparız. Bu veriler genellikle laboratuvar defterlerine gömülüdür ve gelecekteki araştırmaları bilgilendirmek veya yönlendirmek için asla kullanılmaz" diyor Belcher. Negatif veri eksikliği, temel bir sorun yaratıyor: Yeterince geniş bir veri yelpazesine erişim olmadan, modeller önyargıdan kaçınmak için yeterince eğitilemez. AI ile veri uydurma da çok daha kolay hale geldi ve veri bütünlüğü endişelerini artırdı. Örneğin, Western blot (protein tespit yöntemi) görüntüleri, biyomedikal araştırmalarda en sık manipüle edilen hedefler arasında. Belcher, Hollandalı mikrobiyolog Elisabeth Bik'in araştırmasına atıfta bulunarak, biyomedikal makalelerin neredeyse %4'ünün kopyalanmış veya manipüle edilmiş görüntüler içerdiğini belirtiyor. Bu, üretken yapay zekanın (generative AI) uydurmayı önemsiz hale getirmesinden önce, 2016 yılına ait bir veri. "Manipüle edilmiş veya uydurulmuş veriler bilimde her zaman bir sorun olmuştur, ancak AI dünyasında, özellikle modelleri eğitmek için kullanıldığında, potansiyel olarak feci sonuçlara yol açabilir" diyor Belcher. Bazı satıcılar bu zorluğu ele almaya başlıyor. Cytiva'nın Görüntü Bütünlüğü Denetleyicisi (Image Integrity Checker) gibi çözümler, bilimsel görüntülerin kurcalanıp kurcalanmadığını tespit etmek için blok zincirinde (blockchain) kullanılan güvenli karma algoritmalarını (secure hash algorithms) kullanıyor.

Otonom Laboratuvarlar ve Gelecek Vizyonu

Belcher, ilaç keşfinin gelecekteki durumunu, minimum insan müdahalesiyle çalışan tamamen otonom laboratuvarlar olarak tanımlıyor. Bu vizyonun temelinde, veri ve altyapıda tutarlılık yatıyor. AI destekli bu karanlık laboratuvarlar (dark labs) veya döngüdeki laboratuvarlar (labs-in-the-loop), 7/24 çalışıyor. Tahmin, test ve optimizasyon döngüsünden geçiyor ve sonuçları bir sonraki deney turunu yönlendirmek için AI modellerine geri besliyor. Bu, klinik deneylere giren ilaç adaylarının başarı oranlarını iyileştirebilir. Belcher, daha iyi başlangıç noktaları ve daha fazla optimizasyon turunun, kliniğe daha az yükümlülükle ulaşan daha iyi adaylar sağlayacağını söylüyor. Ancak bir laboratuvarı otomatikleştirmek büyük ölçüde entegrasyona bağlı. Bu, birlikte çalışabilir sistemler, son derece yapılandırılmış ve kapsamlı veri kümeleri ve bilginin kolayca içeri ve dışarı akması anlamına geliyor. Çoğu laboratuvar henüz bu noktada değil. Belcher, "Bugün laboratuvarlardaki cihazların çoğu bağımsızdır. Dünyanın en iyi teknolojisine sahip olabilirsiniz, ancak kapalı bir ekosistemse, kullanıcı verileri çıkaramıyorsa, hiçbir işe yaramaz" diyor. Entegre bir altyapı, laboratuvarların ölçekte FAIR (bulunabilir, erişilebilir, birlikte çalışabilir ve yeniden kullanılabilir) veriler üretmesini sağlayabilir. Bu, yalnızca bireysel laboratuvar raporlarını bilgilendirmekle kalmaz, aynı zamanda sonraki AI modellerini eğiterek hesaplamalı AI destekli kuru laboratuvar (dry lab) ile fiziksel ıslak laboratuvar (wet lab) arasındaki döngüyü etkili bir şekilde kapatır.

Neden Önemli?

AI destekli ilaç keşfi henüz emekleme aşamasında. Henüz tamamen AI tarafından keşfedilen bir ilaç FDA onayı almadı, ancak Belcher bunun önümüzdeki iki ila üç yıl içinde değişeceğini tahmin ediyor. AI'nın ilaç keşfinde ne kadar büyük bir etkisi olabilir? Belcher, "Kutsal kase, etkinlik ve toksisitenin tamamen in silico (bilgisayar simülasyonuyla) tahmin edilmesi ve fiziksel ıslak laboratuvar çalışmalarının büyük çoğunluğunu ortadan kaldırması olurdu" diyor. Ancak bunun önünde modellerin olgunluğunun ötesinde, düzenleyici engeller ve maliyet zorlukları gibi birçok engel var. Stanford araştırması, öncü AI modellerini eğitme maliyetinin 2016'dan bu yana her yıl iki katına çıktığını ve zaten yüksek Ar-Ge harcamalarıyla tanımlanan bir sektöre daha fazla mali baskı eklediğini buldu. Belcher gerilimi kabul ediyor, ancak gelecek konusunda iyimser: "Bence maliyet ve risk açısından AI ile ıslak laboratuvar çalışması arasında bir dengeye ulaşacağız. Hesaplama maliyeti, klinik geliştirme maliyetini asla aşmadığı sürece, AI'nın bir avantaj olacağını düşünüyorum." Türkiye'de ilaç sektörü, yüksek Ar-Ge maliyetleri ve uzun geliştirme süreleriyle benzer zorluklarla karşı karşıya. AI destekli yaklaşımlar, yerli ilaç geliştirme süreçlerini hızlandırabilir ve maliyetleri düşürebilir. Ancak veri kalitesi ve entegrasyon sorunlarının çözülmesi, bu teknolojilerin başarılı bir şekilde uygulanması için kritik öneme sahip.