İlaç keşfi yüksek maliyetli ve yüksek riskli bir alan. İlk hamle yapanın avantajının belirleyici olduğu bu pazarda şirketler büyük bir baskı altında.
1950'lerden bu yana yeni bir ilaç geliştirmenin maliyeti kabaca her dokuz yılda bir ikiye katlanıyor. Bu olgu 'Eroom Yasası' olarak biliniyor. Günümüzde yeni bir ilacı piyasaya sürmek ortalama 10 ila 15 yıl sürüyor ve maliyeti 1 milyar ila 2,5 milyar dolar arasında değişiyor. Başarısızlık oranı ise yüzde 90'ın üzerinde.
Yapay zeka, ilaç endüstrisinin başarı oranlarını artırmak ve süreleri kısaltmak için en büyük kozu haline geldi. İlaç firmaları yeni kimyasal bileşikleri ne kadar hızlı tanımlar, test eder ve optimize ederse, geliştirmenin ilerleyen aşamalarında maliyetli başarısızlıklarla karşılaşma riski o kadar düşüyor.
Küresel yaşam bilimleri şirketi Cytiva'da protein araştırma stratejisi direktörü olan Paul Belcher, 'İlaç keşfindeki ana maliyet halen klinik aşama. Dolayısıyla oradaki riski azaltmak ve başarı oranlarını artırmak son derece faydalı. Yapay zeka, ilaç firmalarının yalnızca zamandan tasarruf edip süreçleri hızlandırmasını değil, aynı zamanda kliniğe ulaşacak daha kaliteli adayların belirlenmesini sağlayacak bir yaklaşım' diyor.
Yapay zekanın ilaç keşfinde erken kullanımı potansiyelini gösteriyor, ancak aynı zamanda sağlam ve güvenilir veriye ve laboratuvar sistemleriyle entegrasyona olan ihtiyacı da ortaya koyuyor.
Yapay Zeka Laboratuvarda Verimliliği Artırıyor
Yapay zekanın ilaç keşfinde en umut verici erken aşama uygulamalarından biri 'hedef tespiti' (hit identification). Bu süreç, bir hastalıkla ilişkili hedefe (örneğin bir protein) bağlanacak molekülleri bulmak için büyük moleküler yapı kütüphanelerinin taranmasını içeriyor. Başarılı bir 'hit', araştırmacılara daha ileri test ve iyileştirme için bir başlangıç noktası sunuyor. Nihai hedef ise uygulanabilir bir ilaç geliştirmek.
Belcher, görgül (ampirik) taramadan tahmine dayalı tasarıma doğru bir geçiş olduğunu gözlemliyor. İlaç firmaları artık fiziksel olarak kütüphaneleri taramak yerine, yapay zekayı kullanarak sıfırdan ilaç adayları tasarlıyor ve bunların hastalık hedefleriyle nasıl etkileşime gireceğini, Ar-Ge sürecine başlamadan önce tahmin ediyor.
Bu sayede firmalar, artık başlangıç noktalarını belirlerken fiziksel tarama kapasiteleriyle sınırlı kalmıyor. Belcher, 'Yapay zeka bu sınırlamayı ortadan kaldırıyor. Ayrıca düşük kaliteli adayları fiziksel olarak test etmek zorunda kalmadan ayıklamaya yardımcı olarak zaman ve kaynak tasarrufu sağlıyor' diyor.
Belcher, yapay zekanın henüz yeni bileşiklerin kinetiğini veya geliştirilebilirliğini (developability) güvenilir bir şekilde tahmin edemediğini söylüyor. Bu da yapay zeka tarafından üretilen her adayın hâlâ laboratuvarda doğrulanması gerektiği anlamına geliyor.
Geleneksel tarama iş akışları, çok sayıda karmaşık adayı ayrıntılı olarak analiz etmek için değil, büyük ölçekte 'hit' tespiti yapacak şekilde tasarlanmıştı. Bu durum, artan hacimde ve çeşitlilikte yapay zeka kaynaklı bileşiği test etmek, karakterize etmek ve saflaştırmak zorunda kalan laboratuvar ekipleri üzerinde daha fazla baskı oluşturuyor.
Belcher, 'Hit tespitinde kullanılan mevcut teknikler, ikili ya da eşik bazlı teknikler kullanarak yüz binlerce, hatta bazen milyonlarca bileşiği tarayabiliyor ve düşük doğrulukta 'evet-hayır' yanıtları üretiyor. Yapay zeka, elde ettiğiniz hit sayısını ve potansiyel olarak hitlerin kalitesini artırabiliyor. Bu da bu hitleri doğrulamak ve karakterize etmek için daha yüksek verimli, bilgi açısından zengin teknolojilere olan talebi artırıyor' ifadelerini kullanıyor.
Modeller Eksiksiz ve Kaliteli Veriye İhtiyaç Duyuyor
Yapay zeka, veri açısından zengin laboratuvar sistemlerine olan talebi hızlandırırken, aynı zamanda daha iyi ve daha eksiksiz veriye duyulan temel ihtiyacı da gözler önüne serdi.
Belcher'a göre, daha önceki birçok yapay zeka modeli, herkese açık veri setleri üzerinde eğitildi ve şimdi bir 'veri duvarına' çarptı. Modeller aynı verilere erişebildiği için hepsi benzer sonuçlara varıyor ve zamanla getiriler azalıyor. Ayrıca bu veri setleri yapay zeka düşünülerek oluşturulmadığından, modelleri doğru ve yanlılıktan uzak tutmak için gereken yapı, etiketleme ve çeşitlilikten yoksun.
Yayın yanlılığı (publication bias) da sorunu pekiştiriyor. Belcher, 'Herkese açık veri setlerinin ve bilimsel yayınların çoğu yalnızca olumlu sonuçlara odaklanıyor. Hiç kimse başarısızlıklarını paylaşmak istemiyor. Bu yanlılık, neredeyse bir kolunuzun arkadan bağlı olması gibi. Yapay zeka modelleri başarıyla ilişkili kalıpları belirleyebiliyor ancak tahminleri daha güvenilir kılacak olan başarısızlıklara dair kapsamlı bir anlayıştan yoksunlar' diyor.
Belcher, modelleri gözle görülür şekilde iyileştireceğine inandığı verilerin (başarısız deneyler, bağlanmayan bileşikler) hâlâ sinir bozucu bir şekilde elde edilmesinin zor olduğunu belirtiyor. 'Sık sık 'Negatif verilerin yayınlandığı bir dergi olmalı' diye şaka yaparız. Bu veriler genellikle laboratuvar defterlerine gömülü kalır ve gelecekteki araştırmaları bilgilendirmek veya yönlendirmek için asla kullanılmaz' diye ekliyor.
Bu negatif veri eksikliği temel bir sorun yaratıyor: Geniş bir veri yelpazesine erişim olmadan, modeller yanlılıktan kaçınmak için yeterince eğitilemiyor. Belcher, 'Tüm makine öğrenimi uygulamalarında modelin performansı büyük ölçüde eğitim verisinin kalitesine ve kapsamına bağlıdır' uyarısında bulunuyor.
Yapay zeka ile veri sahteciliği (fabrication) yapmak çok daha kolay hale geldi ve bu da veri bütünlüğüne ilişkin endişeleri artırıyor. Belcher, örnek olarak Western blot yöntemini gösteriyor. Bu yöntem, kan veya doku örneklerindeki proteinleri tanımlamak için kullanılan standart bir teknik ve biyomedikal araştırmalarda en sık manipüle edilen hedeflerden biri. Belcher, Hollandalı mikrobiyolog Elisabeth Bik'in yaptığı bir araştırmaya atıfta bulunuyor. Bik, 2016 yılında biyomedikal makalelerin neredeyse %4'ünde kopyalanmış veya manipüle edilmiş görseller olduğunu tespit etmişti. Üstelik bu tespit, üretken yapay zekanın veri sahteciliğini çok kolaylaştırdığı günümüzde daha da büyük bir sorun haline geldi.
Belcher, 'Manipüle edilmiş veya sahte veriler bilimde her zaman bir sorun olmuştur, ancak yapay zeka dünyasında, özellikle modelleri eğitmek için kullanıldığında, potansiyel olarak felaket sonuçları olabilir. Verilerin manipüle edilmediğini doğrulamak için daha fazla araca ihtiyaç var' diyor.
Cytiva gibi tedarikçiler bu zorluğun üstesinden gelmeye başlıyor. Belcher, Cytiva'nın Görüntü Bütünlüğü Denetleyicisi (Image Integrity Checker) gibi çözümlere dikkat çekiyor. Bu araç, blok zincirinde kullanılan teknolojinin aynısı olan güvenli karma algoritmalarını (secure hash algorithms) kullanarak bilimsel görüntülerin kurcalanıp kurcalanmadığını tespit ediyor. Belcher, 'Yayınevlerinin bunu standart olarak benimsemeye büyük ilgi gösterdiğini görmeye başlıyoruz çünkü bu, literatürde yayınlananların gerçek olduğunu garanti etmenin hızlı bir yolu' diye ekliyor.
Otonom Laboratuvarlar Atılımları Hızlandırabilir
Belcher, ilaç keşfinin gelecekteki halini, minimum insan müdahalesiyle çalışan tamamen otonom laboratuvarlar olarak tanımlıyor. Bu vizyonun temelinde veri ve altyapıda tutarlılık yatıyor.
Belcher, 'Bu yapay zeka destekli karanlık laboratuvarlar, ya da döngüdeki laboratuvarlar, günün her saati çalışıyor. Tahmin, test ve optimizasyon aşamalarından geçerek sonuçları tekrar yapay zeka modellerine besliyor ve bir sonraki deney turuna yön veriyor. Bu, klinik deneylere giren ilaç adaylarının başarı oranını artırabilir. Daha iyi başlangıç noktaları, daha fazla optimizasyon turuyla birleştiğinde, kliniğe ulaşan adayların daha kaliteli ve daha az riskli olmasını sağlayacaktır' diye konuşuyor.
