İlaç Keşfinde Yapay Zeka Sorununun Kökeni

Yapay zeka, ilaç keşfinde hızla yer edinirken, belki de en önemli soru, bir sonraki modelin ne kadar güçlü olacağı değil, bu modellerin aslında hangi verilerden öğreniyor olduğudur.

Anthropic’in ilaç geliştirme alanına yönelik recent genişlemesi, yapay zekanın genel amaçlı akıl yürütmeden uygulamalı bilim alanına doğru ilerlediğinin son göstergesidir. Bu, alanda gerçek bir ivme ve yapay zekanın yeni ilaçların keşfedilme şeklini anlamlı bir şekilde değiştirebileceğine dair artan güveni yansıtmaktadır. Ancak, hedef klinik başarı oranlarını iyileştirmekse – sadece keşfi hızlandırmak değil – bu sistemlerin altında yatan biyolojik verilerin, bu sistemleri gerçekten insan biyolojisinin nasıl çalıştığını öğretmeye yeterli olup olmadığını sorgulamamız gerekir.

Yıllarca, endüstrinin odak noktası, giderek daha sofistike algoritmalar geliştirmekte olmuştur. Daha büyük modeller, daha fazla hesaplama ve daha iyi mimariler, protein yapısı tahmini, hedef tanımlama, moleküler tasarım ve diğer biyomedikal araştırma alanlarında dikkat çekici ilerlemeler sağlamıştır. Bu yenilikler, aldıkları dikkati hak etmektedir.

Ancak, bu modellerin altında yatan biyolojik temel, çok daha az dikkat çekmiştir.

Yapay zeka, desenleri bulmada olağanüstü bir yeteneğe sahiptir. Ancak, sadece ölçülebilir olan biyoloji ile gerçekten insanlarda neler olduğu arasındaki farkı ayırt edemez. Yapay zeka destekli ilaç keşfinin tavanı, sonunda modellerin zekasına değil, bu modelleri eğitmek, doğrulamak ve referans olarak kullanmak için kullanılan insan verilerinin kalitesine bağlı olacaktır. İnsanların biyolojisinin gerçekten nasıl çalıştığını öğretmeye yeterli, yüksek kaliteli insan biyolojik verisi altyapısı oluşturmak, bir sonraki yapay zeka neslini geliştirmek kadar önemli olabilir.

Yapay Zeka Sadece Verdiğimiz Biyolojiden Öğrenir

Her yapay zeka modeli, öğrendiği bilgilerle sınırlıdır. İlaç geliştirme, biyolojinin olağanüstü karmaşıklığı nedeniyle özellikle zor bir zorluk sunar. İnsan hastalıkları, genetik, yaş, cinsiyet, komorbiditeler, bağışıklık tepkileri, çevresel maruziyetler ve kısmen anlaşılmış binlerce etkileşimli moleküler yol tarafından etkilenir.

Tarihsel olarak, ilaç geliştirme boyunca kullanılan deneysel veriler, hayvan çalışmaları, ölümsüz hücre hatları, basitleştirilmiş in vitro sistemler ve hesaplamalı simülasyonlardan kaynaklanmıştır. Bu araçlar, biyomedikal bilimdeki ilerlemeyi büyük ölçüde hızlandırmıştır ve birçok araştırma aşamasında vazgeçilmez olmaya devam etmektedir. Ancak, on yılların deneyimi, bu araçların insan fizyolojisini tam olarak taklit edemediğini de göstermiştir.

Yaklaşık %90’lık bir ilaç adayı klinik denemelere girdiğinde sonunda başarısız olur, etkinsizlik ve beklenmeyen güvenlik bulguları önemli katkıda bulunur. Birçok faktör bu başarısızlıklara katkıda bulunur, ancak tekrarlanan bir tema, preklinik modellerin genellikle klinikte neler olacağını öngörmede mücadele verdiğidir.

Eğer yapay zeka sistemleri, kendileri bilinen translasyonel sınırlamalara sahip modellerden üretilen verilerle eğitiliyorsa, bu sınırlamaların devam etmesi şaşırtıcı olmaz. Yapay zeka, desenleri olağanüstü bir şekilde tanıyabilir, ancak eğitim verisinde asla mevcut olmayan biyolojik gerçeği icat edemez.

Daha Fazla Veri Her Zaman Daha İyi Veri Demek Değildir

Yapay zeka topluluğu, ölçekleme yasalarından sık sık bahseder: daha büyük veri kümelerinin genellikle model performansı iyileşmesine neden olduğu gözlemi. Biyolojide ise, nicelik ve nitelik birbirinin yerine geçmez. İnsanların fizyolojisini kötü bir şekilde yansıtan deneysel sistemlerden toplanan milyonlarca veri noktası, klinik olarak ilgili insan biyolojisinden üretilen daha küçük veri kümelerinden daha az öngörülü olabilir. Bu ayrım, hedefin sadece öngörme değil, klinik başarılı sonuçlara dönüşen öngörme olduğu ilaç geliştirme alanında özellikle önemlidir.

Yüksek doğrulukta insan biyolojik verisi, geleneksel laboratuvar veri kümelerinden beberapa önemli yönden farklıdır. Biyolojik işlevi rather than statik anlık görüntüleri yakalar. Doku, hücresel mimari, perfüzyon, metabolizma ve farmakoloji arasındaki ilişkileri korur. Hastanın geçmişini, klinik özelliklerini, moleküler ölçümlerini ve aynı biyolojik sistem içinde fonksiyonel tepkileri birleştirir. En önemlisi, gerçekten insanlarda var olan biyolojiyi ölçer.

Yapay zeka, karmaşık verilerden ince desenleri çıkarmada giderek daha yetenekli hale geldikçe, bu desenlerin kalitesi, altta yatan biyolojinin kalitesinden ayrılmaz hale gelir.

İnsan Veri Altyapısı Bir Sonraki Rekabet Avantajı Olabilir

Son birkaç yıl içinde, temel modellere, hesaplamalı altyapıya ve özel yapay zeka mimarilerine muazzam yatırımlar yapılmıştır. İnsanların biyolojik verilerini sistemli bir şekilde ve büyük ölçekte üretmek için gerekli altyapıya ise çok daha az dikkat edilmiştir.

İnsan biyolojik örnekleri doğası gereği sınırlıdır ve bir tür bağış altyapısı ile entegrasyon gerektirir. Standardizasyon zorlayıcıdır. Deneysel protokoller tekrarlanabilir olmalıdır. Meta veriler kapsamlı olmalıdır. Multiomik ölçümler, görüntüleme, fonksiyonel testler ve klinik bağlam, hesaplama öğrenimi için yeterli derecede tutarlı veri kümelerine entegre edilmelidir.

Hiçbiri geleneksel yazılım mühendisliğine benzemez. Bunun yerine, yıllarca süren, düzenlenmiş ve denetleyiciye hazır veri kümeleri üretebilen koordine biyolojik operasyonlar gerektirir. Bulut altyapısının modern yazılım geliştirme için temel olduğu gibi, insan biyolojik altyapısı da bir sonraki nesil yapay zeka destekli tedaviler için temel olabilir. Bugün bu altyapıyı yatırım yapan organizasyonlar, sonunda hangi yapay zeka modellerinin neler öğrenebileceğini şekillendirebilir.

Düzenleyiciler Bu Yönde Hareket Ediyor

Önemli olarak, bu tartışma akademik merakın ötesine geçer. Düzenleyiciler, insanla ilgili kanıtlara giderek daha fazla vurgu yapmaktadır. FDA, Yeni Yaklaşım Metodolojileri (NAM) için desteğini genişletmiştir, hesaplamalı modeller, organ-chip teknolojileri, gelişmiş in vitro sistemler ve diğer insanla ilgili yaklaşımların düzenleyici karar alma süreçlerine nasıl katkıda bulunabileceğini belirten yolları belirlemiştir.

Bu değişiklik, önemli bir gerçeği tanır. Hesaplamalı yöntemler daha sofistike hale geldikçe, onların öngörülerine güven, bu öngörülerin arkasındaki biyolojik kanıtlara güvene bağlıdır. Daha iyi yapay zeka için daha iyi doğrulama gerekiyorsa ve daha iyi doğrulama daha iyi insan verisi gerektiriyorsa, o zaman daha iyi yapay zeka, her modelin kaynağında yatan daha iyi insan verilerini gerektirir.

Gelecek On Yıl Veri Kalitesi Tarafından Tanımlanacak

İlaç endüstrisi, yüksek hızlı taramadan birkaç teknolojik devrime şahit oldu, sonraki nesil dizileme dahil. Her biri mevcut veri hacmini genişletti, ancak bu alanda yapay zekanın uygulanması, farklı bir şey temsil etmektedir.

Bu, sadece daha fazla veri üretmekle değil, insan biyolojisini daha doğru bir şekilde temsil eden veri üretmekle ilgili. Temel modeller giderek daha erişilebilir hale geldikçe, algoritmik avantajlar alone daha az dayanıklı olabilir. Farklılaştırılmış, yüksek kaliteli insan biyolojik verisine erişim, ilaç endüstrisi ekosisteminin tamamında bir tanımlayıcı rekabet avantajı olarak ortaya çıkabilir. Bu, endüstrinin nihai hedefinin klinik başarıyı iyileştirmek rather than sadece keşfi hızlandırmak olduğu durumlarda özellikle doğrudur.

Anthropic’in ilaç geliştirme alanına girişi, yapay zekanın son birkaç yıl içinde yaptığı muazzam ilerlemeyi yansıtmaktadır. Aynı zamanda, endüstrinin cevaplaması gereken bir sonraki soruyu da vurgulamaktadır. Eğer yapay zeka gerçekten tıbbı dönüştürme potansiyeline sahipse, bu modeller hangi biyolojik temele dayanacaktır?

Yapay zeka destekli ilaç keşfinin geleceği, şüphesiz daha iyi algoritmalarla bağlı olacaktır. Ancak, insan biyolojik veri altyapısını oluşturmak, bu algoritmaların insan biyolojisini gerçekten nasıl çalıştığını öğrenebilmesi için daha da önemli olabilir.