İLAÇ KEŞFİNDE YAYGIN OLARAK KULLANILAN YAPAY ZEKÂ TEKNİKLERİ

İlaç keşfi için geleneksel ıslak laboratuvar testleri, doğrulamalar ve sentetik prosedürler maliyetli ve zaman alıcıdır. Yapay zekâ (AI) tekniklerindeki ilerlemeler, bunların ilaç keşfine yönelik uygulamalarında devrim yaratmıştır. Erişilebilir veri kaynaklarıyla birleştirilen yapay zekâ teknikleri, ilaç keşfinin doğasını değiştirmektedir. Geçtiğimiz yıllarda, ilaç keşfinin çeşitli adımları için bir dizi yapay zekâ tabanlı model geliştirildi. Bu modeller geleneksel deneylerin tamamlayıcısı olarak kullanılmış ve ilaç keşif sürecini hızlandırmıştır. Bu çalışmada ilaç keşfinde kullanılan yapay zekâ tabanlı modellere yer verilerek farkındalık oluşturulmaya çalışılmıştır.  Ardından çalışmada yapay zekânın ilaç keşfinde uygulanmasına ilişkin zorluklar ve geleceğe yönelik perspektifler tartışılmıştır.

İlaç keşfi, hastalıklara karşı yeni ilaçların keşfedildiği bir süreçtir. Çok çeşitli teknolojilerin ve uzmanlığın kullanımını içermektedir. Genel olarak bir ilacın keşfedilmesi ve geliştirilmesi ortalama 2,8 milyar ABD doları ve 15 yıl sürmektedir. Geleneksel yöntemlerin düşük etkililiği ve yüksek maliyetli özellikleri, ilaç keşfinin engeli haline gelmiştir. Bu nedenle, bu kadar zaman alıcı ve pahalı bir işin üstesinden gelmek için yeni yöntemlerin geliştirilmesi gerekmektedir.

Yüksek performanslı bilgisayar donanımındaki devrim ve çoklu omik verilerinin kullanılabilirliği, yapay zekâ (AI) tekniklerinin teorik çalışmalardan birden fazla disiplindeki gerçek uygulamalara geçmesini sağlamıştır. Yapay zekâ tekniklerinin özellikle biyolojik veri analizine başarılı bir şekilde uygulanması ilaç endüstrisinin dikkatini çekmiştir. Şimdiye kadar ilaç hedefi tahmini, biyoyararlanım tahmini ve yeni ilaç tasarımı gibi ilaç keşif süreçlerinde yapay zekâ teknikleri uygulanmıştır. Bayer, Roche ve Pfizer gibi bazı büyük ilaç şirketleri de ilaç tasarımı için yapay zekâ tekniğine dayalı yöntemler geliştirmek üzere bilgi teknolojisi (BT) şirketleriyle işbirliği yapmaya başlamıştır. Son zamanlarda Insilico Medicine şirketi yapay zekânın yardımıyla, Faz I denemelerinde olumlu sonuçlar veren idiyopatik pulmoner fibrozisi tedavi eden ilacı keşfetmiştir. Dolayısıyla yapay zekâ tekniklerinin ilaç keşfi ve geliştirme alanını modernleştirdiği sonucunu çıkarmak mantıklıdır.

Amaca uygun bir yaklaşım olması için yapay zekâ tekniklerinin seçimi ve uygulanması problem odaklıdır. İlaç keşfi alanında denetimli ve denetimsiz öğrenme olmak üzere iki yaygın yapay zekâ öğrenme tekniği kullanılmaktadır. Denetimli öğrenme tekniği, yeni verilerin sonuçlarını sınıflandırabilen veya tahmin edebilen modelleri eğitmek için girdi etiketli verileri kullanır. Bunun aksine, denetimsiz bir öğrenme tekniği, etiketlenmemiş verilerle ilgilenir ve yinelenen kalıpları tanımlayabilen ve girdi verilerini önceden bilgi gerektirmeyecek şekilde kümeleyebilen modeller geliştirmeyi amaçlar. Denetimli öğrenme teknikleri ayrıca sınıflandırma ve regresyon algoritmaları olarak kendi içerisinde sınıflandırılabilir. Denetimsiz öğrenme teknikleri ise kümeleme ve boyut azaltma algoritmalarını içerir. Kullanıcıların bu yapay zekâ tekniklerini uygulamasını kolaylaştırmak amacıyla, yukarıda bahsedilen algoritmaların uygulanmasına yönelik Scikit-learn, PyTorch ve Keras gibi bir dizi açık kaynaklı kütüphaneler geliştirilmiştir. İlaç keşfinde yaygın olarak kullanılan bu yapay zekâ teknikleri Tablo 1’de verilmiştir.

Tablo 1: İlaç Keşfinde Yaygın Olarak Kullanılan Yapay Zekâ Teknikleri

Tablo 1 Kısaltmaları:

CNN, evrişimli sinir ağı; DT, ilaç hedefi; GAN, çekişmeli üretken ağ; LR, lojistik regresyon; MLR, çoklu doğrusal regresyon; PCA, temel bileşenler analizi; RNN, tekrarlayan sinir ağı; SVM, destek vektör makinesi; t-SNE, t-dağıtılmış stokastik komşu gömme.

Geçtiğimiz birkaç yılda yapay zekâ tekniklerinin ilaç keşfi ve geliştirmenin çeşitli adımlarına geniş çapta uygulandığına tanık olunulmuştur. Yapay zekâ tekniklerindeki bu artış, ilaç keşfinin hızlanmasına önemli katkılarda bulunmuştur. Chat Generative Pre-trained Transformer’ın (ChatGPT) uygulanması da ilaç keşfi ve geliştirilmesinde umut verici bir konudur. Potansiyel hedefleri belirlemek, yeni ilaçlar tasarlamak ve ilaç adaylarının farmakodinamiğini optimize etmede yöntemler sunabildiği için ChatGPT, ilaç geliştirme sürecini hızlandırma potansiyeline sahiptir. Ancak yapay zekâ teknikleri, aşağıdaki zorluklar nedeniyle ilaç keşfi için çok yönlü araçlar değildir.

İlk önemli nokta, yapay zekâ tekniğine dayalı modelleri eğitmek için kullanılabilecek yüksek kaliteli verilerin mevcudiyetidir. Biyolojik ve kimyasal verilerin miktarı artmasına rağmen, veri kalitesinin düşük olması sorunu bu verilerin tam olarak kullanılmasını engellemektedir. Bu sorunu çözmek için ham verileri düzenlemek ve yönetmek amacıyla veri iyileştirme yapılabilir. Bu hedefe yönelik olarak akademik kurumlar ve ilaç firmaları, veri toplama ve temizleme konusunda yardımcı olacak veri standartları ve çerçeveleri geliştirmek için işbirliği yapmalıdır. Yapay zekâ tekniklerinin uygulamaları için veri miktarı da önemlidir. Gerçek durumlarda pozitif örneklerin sayısı negatif örneklerin sayısından daha azdır. Örneklem büyüklüğündeki istikrarsızlık sorunu modellerin performansını doğrudan etkileyecektir. Bu nedenle veri setlerindeki örneklem büyüklüklerini dengelemek için aşırı örnekleme ve eksik örnekleme yöntemlerinin kullanılması önerilmektedir.

İlaç keşfine yönelik yapay zekâ tekniğine dayalı modellerin bir diğer tipik sorunu da yorumlanabilirlik eksikliğidir. Bir modelin yorumlanabilirliği, insanların onun sonuçlarına ulaşmak için kullandığı süreçleri anlama derecesidir. Çoğu durumda, önerilen modeller biyolojik ve farmasötik anlamlarını yorumlamada yetersiz kalmaktadır. Bu nedenle, yapay zekâ teknikleriyle elde edilen tahmine dayalı sonuçlara güvenmek, deneysel bilim insanları için zordur. Ayrıca, yorumlanabilirlik eksikliği, test verilerindeki performansları zayıf olduğunda modellerin bu yaklaşımlardaki sorunları giderememesine de neden olur. Bu sorunla başa çıkmak için modeller oluşturulurken post hoc açıklama tekniklerinin kullanılması önerilmektedir. Post hoc yorumlamaya yönelik popüler teknikler arasında metin açıklaması, görselleştirme açıklaması ve dikkat mekanizması açıklaması yer almaktadır. Metin açıklama teknikleri, insanın anlayabileceği sözel sözcükler sunarak niteliksel yorumlar sunabilmektedir. t-SNE gibi görselleştirme açıklama teknikleri, öğrenilen gizli yüksek boyutlu özellikleri 2 boyutlu uzayda görselleştirebilir. Dikkat mekanizması açıklama teknikleri, girdinin çıktıya katkısını otomatik olarak öğrenip hesaplayabilmektedir. Böylece modeli yorumlanabilir hale getirmektedir.

Önerilen modellerin bulunabilirliği ve erişilebilirliği de ilaç keşfindeki zorluklardan biridir. Pek çok yapay zekâ tekniği tabanlı model geliştirilmiş olmasına rağmen, bu modellerin çoğu için ne ilgili serbestçe erişilebilen web sunucuları ne de kaynak kodları sağlanmaktadır. Bazı akıllı araçlar tasarlanmış olsa da bunlar yalnızca ticari olarak mevcuttur. Bu sorunlar ilaç keşfi ve geliştirilmesine yönelik başvuruları engellemektedir. Bu nedenle yakın gelecekte çok değerli kaynaklar haline gelecek açık kaynaklı araç veya paketlerin geliştirilmesi gerekmektedir.

Yukarıda belirtilen zorluklar mevcut olmasına rağmen yapay zekâ teknikleri, ilaç keşfi ve geliştirme endüstrisine dâhil edilmiştir. Bunun nedeni yapay zekâ tekniklerinin bu alanda devrim niteliğinde değişiklikler getireceğine inanılmasıdır.

Yararlanılan Kaynak

• Chen W, Liu X, Zhang S, Chen S. Artificial intelligence for drug discovery: Resources, methods, and applications. Mol Ther Nucleic Acids. 2023 Feb 18;31:691-702. doi: 10.1016/j.omtn.2023.02.019. PMID: 36923950; PMCID: PMC10009646.

Kaynak: SANAYİ HABER AJANSI