Yeni bir ilaç tasarlamak ve geliştirmek, pahalı ve başarısızlığa açık bir bilimsel mücadele. Bir ilacın geliştirilmesi yıllar alabiliyor ve ciddi bir yatırım gerektiriyor. Üstelik adayların büyük çoğunluğu hiçbir zaman hastaya ulaşamıyor. Sentetik kimyadan ziyade mühendislik ürünü proteinlerden üretilen biyolojik ilaçlar için bu karmaşıklık çok daha fazla. Bu tür ilaçlar genellikle akut ve kronik hastalıkların çoğunda kullanılıyor.
Bilim insanları, doğru hedefe bağlanacak, insan vücudunda kararlı kalacak ve büyük ölçekte üretilebilecek nadir molekülleri bulmak için çok geniş bir molekül havuzunu tarıyor. Bugün yapay zeka bu süreçleri hızlandırıyor ve ilaç araştırma-geliştirme altyapısının temel bir parçası haline gelmiş durumda.
Yapay zeka destekli tasarım, biyolojik ilaç adaylarının geliştirilme şeklinin giderek büyüyen bir parçası. AstraZeneca gibi şirketler, bu alanı daha da ileriye taşımak için mühendislik ekiplerini aktif olarak büyütüyor. AstraZeneca'da kıdemli başkan yardımcısı ve Ar-Ge biyolojik mühendislik ile onkoloji hedefli keşif bölümünün başkanı olan Puja Sapra, "Yaptığımız her şey — ister tasarım, ister üretim, test veya analiz olsun — artık hesaplamalı olarak güçlendirilmiş durumda. Çevrim süreleri kısalırken verimlilik ve inovasyon artıyor" diyor.
Sapra, AstraZeneca'nın yaklaşımının bir "inşa et-ölç-öğren" döngüsü izlediğini anlatıyor. Yapay zeka, hangi tasarımların başarılı olma olasılığının en yüksek olduğunu tahmin ederek aday molekülleri hesaplamalı olarak üretiyor veya önceliklendiriyor. Bilim insanları daha sonra laboratuvar kaynaklarını yalnızca en yüksek puan alan adaylara odaklıyor. Bu da daha az çıkmaz sokak, daha hızlı yineleme ve daha önce ilaçla tedavi edilemez olduğu düşünülen hastalık hedeflerine yönelme imkanı sağlayan daha sıkı bir geri bildirim döngüsü oluşturuyor. Olası moleküler kombinasyonların sayısı, herhangi bir insan ekibinin sistematik olarak keşfedebileceğinin çok ötesinde olduğu için, test seçeneklerini daraltmak ve iyileştirmek için yapay zeka kullanmak biyolojik ilaç tasarımında büyük bir odak noktası haline geldi.
Karmaşık İlaç Tasarımı Sorunlarında Yol Bulmak
Yapay zeka, zaman çizelgelerini hızlandırmanın ötesinde, tamamen yeni ilaç sınıflarının keşfine de uygulanıyor. Geleneksel biyolojik ilaçlar genellikle tek bir hastalık yolunu hedefliyor. Yeni nesil ilaçlar ise aynı anda birden fazla hedefi vurabiliyor veya terapötik yükleri belirli hücrelere hassas bir şekilde iletebiliyor. Bunu başarmak, aynı anda birçok değişken arasında optimizasyon gerektiriyor. Puja Sapra, yapay zeka odaklı modellerin bu giderek karmaşıklaşan çoklu hedefli biyolojik ilaçların tasarlanmasına yardımcı olabileceğini söylüyor. Sapra, "Örneğin, bu tür modeller, altta yatan biyolojiye dayanarak hangi iki veya üç hedefe öncelik verileceğini belirlemeye yardımcı olabilir, ardından bir molekülün etkinliğini, kararlılığını, üretilebilirliğini ve güvenliğini dengelemek için birden çok parametre arasında optimizasyon yapabilir" diye ekliyor. Sapra, "İlaçlanamayanı ilaçlamak artık bir gerçek haline geliyor. Bu teknolojiler, bir zamanlar ulaşılamaz olduğu düşünülen hedeflere karşı ilaç geliştirmemizi sağlayacak. Hastalar için fayda potansiyeli olağanüstü" ifadelerini kullanıyor.
Veri Havuzu
McKinsey'in tahminlerine göre, üretken yapay zeka diğer hesaplamalı araçlarla birleştiğinde ilaç keşif sürelerini yüzde 50'ye kadar kısaltabilir. Ancak her yapay zeka modeli, eğitim verileri kadar iyidir. İlaç keşfinde bu, bol miktarda yüksek kaliteli biyolojik veri anlamına geliyor. Deneyler bu tür veriler için zengin bir kaynak sağlayabilir. Başarılı olsun ya da olmasın, her deney neyin işe yarayıp yaramadığına dair bir sinyal üretir.
Sapra, "Veri bizim farklılaştırıcımız" diyerek şirketin veri kümelerinin özel ve çok modlu olduğunu; moleküler yapılar, bağlanma ölçümleri, güvenlik profilleri ve üretim sonuçlarını içerdiğini açıklıyor. "Birden çok hastalık alanı ve ilaç türünde kasıtlı olarak çeşitlendirilmiş bir portföy oluşturduk. Tüm bu veriler, öncü yapay zeka modellerini daha zengin ve daha temsili eğitim setleriyle ince ayar yapmamızı sağlıyor" diyor. Sapra sözlerine şöyle devam ediyor: "Ayrıca, modellerimizi sürekli olarak iyileştirmek ve doğrulamak için hacimli olarak ihtiyaç duyulan ek veri kümelerini oluşturmak amacıyla derin tarama teknolojilerine yatırım yaptık."
Otonom Bir Keşif Motoru İnşa Etmek
Tüm bu verileri tek bir yerde toplamak için AstraZeneca, Massachusetts, Cambridge'deki Kendall Square'de "geleceğin laboratuvarı" adını verdiği bir tesis inşa ediyor. Bu tesiste yapay zeka ve robotik otomasyon, sürekli, kapalı döngü bir keşif sistemi oluşturacak. Sapra, "Sürücüsüz bir arabanın çevresinde gezinmek için sensörler ve modeller kullanması gibi, bu sistem de tahminler yapmak için yapay zekayı, deneyleri yürütmek için robotik sistemleri ve veri oluşturmak için enstrümanları kullanıyor" diye açıklıyor. Bu veriler doğrudan modellere geri besleniyor ve sonraki her döngüyü hızlandırıyor.
Sapra, "Bilim insanları, çıktıların açıklanabilir, tolere edilebilir ve potansiyel hasta yararına yönelik olmasını sağlayan gözetim, muhakeme ve stratejik yönlendirmeyi sağlayarak sürecin merkezinde olmaya devam edecek" diye ekliyor.
Sonunda, otomatik yüksek verimli sistemler haftalık olarak binlerce moleküler etkileşimi üretebilecek ve değerlendirebilecek. Sapra, "Bu, geleneksel iş akışlarının eşleşemeyeceği bir ölçekte yapay zekaya hazır veri üretecek. Robotik numune işleme, otomatik kalite kontrolleri ve entegre veri boru hatları, erken ilaç geliştirme zaman çizelgelerini önemli ölçüde hızlandırma potansiyeline sahip" diyor.
Bir Sonraki Sınır: Sıfırdan İlaç Üretmek
Sapra, biyolojik ilaç keşfinde yapay zeka için nihai vizyonun "de novo" tasarım olarak adlandırıldığını söylüyor. Burada amaç, yapay zekanın istenen ilaç özelliklerine tam olarak uyan tamamen yeni protein dizileri üretmesi. Bu, yapıyı tasarlamayı, güvenliği, vücutta nasıl davranacağını ve nasıl üretilebilir hale getirileceğini tahmin etmeyi içeriyor.
Sapra, "Alan, tamamen yapay zeka tarafından üretilen, sıfırdan bir klinik adaya kadar tasarlanmış bir biyolojik ilaca doğru büyük ilerleme kaydediyor. Öncü modellerden yararlanmaya ve bunları doğru veri kümeleriyle ince ayar yapmaya devam ettikçe, bu gerçeğe daha da yaklaşıyoruz. Bunun olacağına inanıyorum. Bu sadece bir zaman meselesi" diyor.
Ancak bu noktaya ulaşmak için birkaç temel unsura ihtiyaç var. Birincisi, sektör genelinde daha zengin ve standartlaştırılmış eğitim verileri. İkincisi, yapay zeka tarafından üretilen adaylar için sağlam değerlendirme kriterleri. Üçüncüsü ise makine öğrenimi ve biyolojinin kesiştiği noktada çalışmayı bilen ekipler. Sapra, tüm ön koşullar arasında güvenlik tahmininin belki de en önemli ve en az tartışılan konu olduğunu söylüyor.
Sapra, "De novo tasarımdaki en zor sorunlardan biri, hesaplamalı olarak üretilen bir molekülün insan vücudunda güvenli olup olmayacağını tahmin etmek" diye açıklıyor. AstraZeneca bunu sanal klinik deneyler olarak adlandırılan bir yöntemle ele alıyor. Bunlar, fiziksel test ortamları olarak işlev gören gelişmiş hücre sistemleri ve mikro ölçekli organ modelleri ile bunların çıktılarından öğrenen yapay zekanın bir araya getirilmesinden oluşuyor.
