Moleküllerin Dili Çözme: Generatif AI’ın İlaç Keşfini Nasıl Hızlandırdığı

Generatif AI geliştikçe, insan dilini çözmekten öte biyoloji ve kimya dillerini anlamaya doğru ilerlemektedir. DNA’yı bir senaryo gibi düşünün, vücudumuzun işlevlerini ve büyümesini yönlendiren 3 milyar harflik bir dizidir. Aynı şekilde, yaşamın temel bileşenleri olan proteinler de kendi dillerine sahiptir ve 20 amino asit alfabesi bulunmaktadır. Kimyada moleküller de benzersiz bir lehçeye sahiptir, sanki cümleler, paragraflar veya tümceler oluşturmak için dilbilgisi kuralları kullanarak kelimeler, cümleler veya paragraflar oluşturur. Moleküler dilbilgisi, atomların ve alt yapıların nasıl birleşerek molekülleri veya polimerleri oluşturduğunu açıklar. Tıpkı dilbilgisi cümlelerin yapısını tanımlar gibi, moleküler dilbilgisi de moleküllerin yapısını tanımlar.

Generatif AI, özellikle büyük dil modelleri (LLM’ler), moleküllerin dilini çözme yeteneğini gösterdikçe, ilaç keşfinin daha verimli hale gelmesi için yeni yollar ortaya çıkmaktadır. Birçok ilaç şirketi, bu teknolojiyi ilaç geliştirmeye yönelik yenilikleri hızlandırmak için giderek daha fazla kullanmaktadır. McKinsey Global Institute (MGI), generatif AI’ın ilaç endüstrisinde yılda 60 milyar ila 110 milyar dolar arasında ekonomik değer yaratabileceğini tahmin etmektedir. Bu potansiyel, büyük ölçüde yeni ilaç bileşiklerinin tanımlanmasını ve geliştirilmesini hızlandırması ve onay süreçlerini hızlandırması sayesinde ortaya çıkmaktadır. Bu makale, generatif AI’ın ilaç endüstrisini nasıl değiştirdiğini, ilaç keşfinde hızlı ilerlemeleri katalize ederek incelemektedir. Ancak, generatif AI’ın etkisini takdir edebilmek için geleneksel ilaç keşif sürecini ve içkin sınırlamaları ve zorlukları anlamak önemlidir.

Geleneksel İlaç Keşfinin Zorlukları

Geleneksel ilaç keşif süreci, genellikle çok aşamalı ve zaman alıcı bir süreçtir. Biyolojik hedeflerin, hastalıklarda yer alan proteinler veya genler gibi, tanımlanmasıyla başlar. Bu adım, hedefin manipülasyonunun terapötik etkileri doğrulayan hedef doğrulamasına yol açar. Araştırmacılar, hedefle etkileşime girebilecek potansiyel ilaç adaylarını bulmak için lead bileşik tanımlamasına devam eder. Tanımlandıktan sonra, bu lead bileşikler, etkinliği artırmak ve yan etkileri en aza indirmek için kimyasal özelliklerini iyileştirmek amacıyla lead optimizasyonuna tabi tutulur. Ön klinik testler, bu bileşiklerin test tüplerinde (in vitro) ve hayvan modellerinde (in vivo) güvenliği ve etkinliğini değerlendirmektedir. Vaat edilen adaylar, insan güvenliği ve etkinliğini değerlendirmek için üç klinik deneme aşamasından geçer. Son olarak, başarılı bileşiklerin pazarlanmadan ve reçetelendirmeden önce düzenleyici onay alması gerekir.

Geleneksel ilaç keşif süreci, sınırlamaları ve zorlukları ile birlikte gelir. Süreç, genellikle on yılı aşkın bir süreyi kapsar ve milyarlarca dolar harcanır, klinik deneme aşamalarında özellikle yüksek başarısızlık oranlarına sahiptir. Biyolojik sistemlerin karmaşıklığı süreci daha da zorlaştırır, bir ilacın insanlarda nasıl davranacağını tahmin etmeyi zorlaştırır. Ayrıca, yoğun tarama, yalnızca olası kimyasal bileşiklerin sınırlı bir kısmını keşfedebilir, birçok potansiyel ilacı keşfedilemez bırakır. Yüksek terk oranları da süreci engeller, birçok ilaç adayı geç aşamalarda geliştirme sırasında başarısız olur, bu da kaynak ve zaman israfına yol açar. Her ilaç keşif aşaması, önemli insan müdahalesi ve uzmanlık gerektirir, bu da ilerlemeyi yavaşlatabilir.

Generatif AI’ın İlaç Keşfini Değiştirmesi

Generatif AI, bu zorlukları, ilaç keşif sürecinin çeşitli aşamalarını otomatikleştirerek çözmektedir. Hedef tanımlama ve doğrulamayı, büyük miktarda biyolojik veriyi hızlı bir şekilde analiz ederek ve potansiyel ilaç hedeflerini daha kesin bir şekilde tanımlayarak ve doğrulayarak hızlandırır. Lead bileşik keşif aşamasında, AI algoritmaları, hedefle etkili bir şekilde etkileşime girebilecek yeni kimyasal yapılar oluşturabilir. Generatif AI’ın lead optimizasyonu da, kimyasal değişikliklerin lead bileşiklere etkilerini simüle ederek ve öngörerek iyileştirir. Örneğin, NVIDIA (NVDA ), 2.8 katrilyon küçük molekül ve hedef kombinasyonunu sadece bir haftada keşfetmek için Recursion Pharmaceuticals (RXRX ) ile işbirliği yaptı. Bu süreç, geleneksel yöntemlerle aynı sonuçları elde etmek için yaklaşık 100.000 yıl sürebilirdi. Bu süreçleri otomatikleştirmek, generatif AI, yeni bir ilacın pazara sürülmesi için gereken zamanı ve maliyeti önemli ölçüde azaltır.

Dahası, generatif AI tarafından yönlendirilen içgörüler, preklinik testlerin daha doğru olmasını sağlar, böylece potansiyel sorunları daha erken süreçte tanımlar ve terk oranlarını düşürmeye yardımcı olur. AI teknolojileri, ayrıca birçok emek yoğun görevi otomatikleştirir, böylece araştırmacılar daha üst düzey stratejik kararlara odaklanabilir ve ilaç keşif sürecini ölçeklendirebilir.

Örnek Çalışma: Insilico Medicine’in İlk Generatif AI İlaç Keşfi

Bir biyoteknoloji şirketi olan Insilico Medicine, generatif AI’ı, kronik skarlaşmaya yol açan ve solunumu zorlaştıran nadir bir akciğer hastalığı olan idiopatik pulmoner fibroz (IPF) için ilk ilacı geliştirmek için kullandı. Dokuların skarlaşması ile ilgili omik ve klinik verilerine generatif AI uygulayarak, Insilico Medicine, doku özgüllüğü gösteren skarlaşma hedeflerini başarıyla öngördü. Bu teknolojiyi kullanarak, şirket bir küçük molekül inhibitörü olan INS018_055’i tasarladı ve bu, skarlaşma ve inflamasyon karşı potansiyel gösterdi.

Haziran 2023’te Insilico Medicine, INS018_055’in ilk dozunu bir Faz II klinik denemesinde hastalara uyguladı. Bu ilacın keşfi, dünya çapında generatif AI kullanarak keşfedilen ve tasarlanan ilk anti-fibrotik küçük molekül inhibitörü olarak tarihsel bir anı işaret etti.

INS018_055’in başarısı, generatif AI’ın ilaç keşfini hızlandırmasının verimliliğini doğrular ve kompleks hastalıkları ele alma potansiyelini vurgular.

Generatif AI’da Hallüsinasyon

Generatif AI, yeni moleküller oluşturarak ilaç keşfini hızlandırırken, bu modellerin karşılaşabileceği önemli bir zorluğu fark etmek önemlidir. Generatif modeller, “hallüsinasyon” olarak bilinen bir olguya eğilimlidir. İlaç keşfi bağlamında hallüsinasyon, yüzeyde geçerli görünen ancak biyolojik olarak anlamlı veya pratik olarak faydalı olmayan moleküllerin üretilmesini ifade eder. Bu olgu, çeşitli ikilemler sunar.

Bunlardan biri kimyasal kararsızlıktır. Generatif modeller, teorik olarak favori özelliklere sahip moleküller üretebilir, ancak bu bileşikler kimyasal olarak kararsız veya bozunmaya eğilimlidir. Bu “hallüsinasyon” molekülleri sentez sırasında veya biyolojik sistemlerde beklenmedik davranışlar sergileyebilir.

Ayrıca, hallüsinasyon molekülleri genellikle biyolojik olarak anlamlı değildir. Kimyasal hedeflerle uyumlu olabilirler, ancak biyolojik hedeflerle anlamlı bir şekilde etkileşime girmezler, bu da onları ilaç olarak etkisiz kılar. Bir molekül vaat edici görünse bile, sentezi aşırı karmaşık veya pahalı olabilir, çünkü hallüsinasyon pratik sentetik yolları dikkate almaz.

Doğrulama açığı da bu sorunu daha da karmaşık hale getirir. Generatif modeller birçok aday üretebilir, ancak bunların faydasını doğrulamak için deneysel testler ve doğrulama çok önemlidir. Bu adım, teorik potansiyel ile pratik uygulama arasındaki boşluğu köprülemek için gereklidir.

Hallüsinasyonları azaltmak için çeşitli stratejiler uygulanabilir. Generatif AI’ı fiziksel modelleme veya bilgi odaklı yöntemlerle birleştiren melez yaklaşımlar, hallüsinasyon moleküllerini filtrelemeye yardımcı olabilir. Modelin doğal ve hallüsinasyonlu bileşikleri ayırt etmeyi öğrenmesini sağlayan karşıt eğitim de üretilen moleküllerin kalitesini iyileştirebilir. Kimyagerler ve biyologlar, iteratif tasarım sürecine dahil edilerek, hallüsinasyon etkisini azaltabilir.

Hallüsinasyon zorluğunu ele alarak, generatif AI, ilaç keşfini hızlandırma vaadini daha da güçlendirebilir, bu süreci daha verimli ve yeni, uygulanabilir ilaçların geliştirilmesinde daha etkili hale getirebilir.

Sonuç

Generatif AI, ilaç endüstrisini ilaç keşfini hızlandırarak ve maliyetleri azaltarak değiştirmektedir. Hallüsinasyon gibi zorluklar devam etse de, AI’ı geleneksel yöntemlerle birleştirmek ve insan uzmanlığını dahil etmek, daha doğru ve uygulanabilir bileşiklerin oluşturulmasına yardımcı olabilir. Insilico Medicine, generatif AI’ın kompleks hastalıkları ele alma ve yeni tedavileri daha verimli bir şekilde pazara sürme potansiyelini göstermektedir. İlaç keşfinin geleceği, generatif AI’ın yenilikleri sürüklemesiyle daha da umut verici hale gelmektedir.