Yapay zeka şimdi de ilaç yapacak! Peki sırada ne var?

Araştırma ve geliştirme
süreçlerinde yapay zekanın kullanımının artması, yeni ilaçların
keşfi ve geliştirilmesini hızlandırırken, tedavi yöntemlerinde de
önemli ilerlemeler kaydedilmesini sağlıyor. Bu yenilik, büyük ilaç
şirketlerini daha etkin ve verimli çalışma yöntemlerine
yönlendiriyor ve sağlık sektöründe yapay zekanın rolünün giderek
arttığını gözler önüne seriyor.

Yirmi birinci yüzyılın endüstri liderleri,
yapay zekayı (AI) dünyamızın her köşesine entegre etmeye çalışıyor.
Ancak yapay zekanın her alanda başarılı olamayacağı düşünülse de,
yeni ilaçların tasarlanması, bulunması ve test edilmesi gibi
onlarca yıl sürebilen süreçleri hızlandırarak gerçekten faydalı
olabileceği bir alan mevcut.

Yeni bir ilaç projesinin başarısızlık riskiyle
karşı karşıya kalması oldukça yaygın bir durumdur. Her ilaç
projesi, laboratuvar testlerine başlamak için yeterli bir hipotez
oluşturmak amacıyla üç ila beş yıl arasında bir süreç gerektirir.
Profesör Duxin Sun’un 2022 tarihli çalışmasına göre, klinik ilaç
geliştirme süreçlerinin %90’ı başarısızlıkla sonuçlanmakta ve her
proje 2 milyar dolardan fazla maliyete neden olmaktadır. Bu rakam,
preklinik aşamada çalışmayacak olarak bulunan bileşikleri bile
içermemektedir. Başka bir deyişle, her başarılı ilaç, başarısız
olan “kardeşleri” tarafından üretilen en az 18 milyar dolarlık
israfı desteklemek zorundadır. Bu durum, daha az karlı ve nadir
hastalıkların tedavilerine odaklanılmasını
engelleyen bir faktördür.

Benevolent şirketinin yapay zeka başkanı
Dr. Nicola Richmond, klasik sistemde
araştırmacıların önce hastalığa neden olan bir protein bulmaları,
ardından bu proteini düzeltici bir molekül bulmaları gerektiğini
açıklıyor. Bir molekül bulunduktan sonra, bunun hasta tarafından
alınabilecek bir forma dönüştürülmesi ve hem güvenli hem de etkili
olduğunun test edilmesi gerekiyor. Klinik deneylere ve insan
üzerinde testlere ulaşmak yıllar alıyor ve çoğu zaman, teoride işe
yarayan şeylerin pratikte işe yaramadığı bu aşamada
anlaşılıyor.

Recursion şirketinin kurucu ortağı Dr.
Chris Gibson, mevcut sürecin her onaylanan ilaç için on
yılı aşkın süre ve milyarlarca dolarlık araştırma yatırımı
gerektirdiğini belirtiyor. Gibson’a göre yapay
zekanın büyük becerisi, araştırmacıların kör noktalarda fazla zaman
kaybetmelerini önlemek ve yüzlerce seçeneği aynı anda
değerlendirebilen bir yazılım platformunun erken ve hızlı bir
şekilde başarısız olmasını sağlayarak diğer hedeflere geçmelerine
yardımcı olabilir.

Yapay zeka şimdide ilaç yapacak! Peki sırada ne var?

Dr. Anne E. Carpenter, MIT ve Harvard’ın
Broad Enstitüsü’nde Carpenter-Singh
laboratuvarının kurucusudur. On yıldan fazla bir süredir,
hücrelerdeki elementleri boyalar yardımıyla vurgulayarak bilgisayar
tarafından okunabilir hale getiren Hücre Boyama tekniği üzerinde
çalışmalar yapmıştır. Aynı zamanda, bu boyalı hücrelerin
görüntülerinden oluşan geniş veri havuzlarını AI ile analiz
edebilmenin yollarını sunan Hücre Profili geliştiricilerindendir.
Bu çalışmalar bir araya geldiğinde, bir makinenin hastalığın
varlığı veya bir tedavinin etkisi altında hücrelerin nasıl
değiştiğini görmesi kolaylaşır. Ve “omiks” olarak bilinen
disiplinde hücrenin her parçasına bütünsel olarak bakıldığında, AI
sistemlerinin üstünde olduğu bağlantılar kurma konusunda daha fazla
fırsat sunar.

Potansiyel tedavileri belirlemek için resimler kullanmak,
görünen şeylerin her zaman gerçek durumu yansıtmadığı
düşünüldüğünde, biraz alışılmışın dışında görünebilir, değil mi?
Carpenter, insanların her zaman yalnızca görerek
tıbbi durumlar hakkında bilinçaltı varsayımlarda bulunduğunu
söyledi. Çoğu insanın birinin yüzüne bakarak
kromozomal bir sorunları olabileceği sonucuna
varabileceğini açıkladı. Deneyimleri sonucunda profesyonel klinik
uzmanları da yalnızca görerek birçok bozukluğu tanıyabilir.
Carpenter, belirli bir nüfustaki herkesin yüzünün
bir resmini çektiğinizde, bir bilgisayarın ortak özelliklere göre
düzenlerini ve desenlerini tanıyabileceğini ekledi.

Bu mantık, sağlıklı ve hastalıklı örneklerden alınan hücre
resimlerine de uygulanabilir. Bir insan bunu yapabiliyorsa, bir
bilgisayarın bu farklılıkları ölçeklendirerek ve doğrulukla tespit
etmesi daha hızlı ve kolay olmalıdır. “Bu verilerin kendi kendine
gruplara ayrılmasına izin veriyorsunuz ve artık desenler görmeye
başlıyorsunuz,” dedi. “Hücreleri birer birer 100.000 farklı
bileşikle tedavi ettiğimizde, ‘işte birbirine çok benzeyen iki
kimyasal’ diyebiliriz.” Ve bu benzeyiş, sadece bir tesadüf değil,
aynı zamanda onların davranışlarına dair belirgin bir gösterge gibi
görünüyor.

Bir örnekte, Carpenter, iki farklı bileşiğin
bir hücrede benzer etkiler üretebileceğini ve dolayısıyla aynı
durumu tedavi etmek için kullanılabileceğini belirtti. Eğer
öyleyse, iki bileşikten biri – bu amaçla tasarlanmamış olabilir –
daha az zararlı yan etkilere sahip olabilir. Ardından, hastalık
tarafından etkilendiğini bilmediğimiz bir şeyi tanımlayabilme
potansiyeli var. “Bize, ‘bak, bu yolda çok iyi bilinen beş genden
oluşan bu küme var, ama altıncısının ne işe yaradığını bilmiyorduk,
şimdi aynı biyolojik süreçte yer aldığına dair güçlü bir
ipucumuz var’ dememizi sağlıyor. Belki diğer beş gen, bir
nedenle, doğrudan hedefler olarak uygun değildir, belki kimyasallar
bağlanmaz,” dedi, “ama altıncı gen bunun için gerçekten mükemmel
olabilir.”

Yapay zeka teknolojileri, modern tıbbın en karmaşık sorunlarına
çözüm arayan ilaç keşfi süreçlerinde giderek daha fazla yer
buluyor. Örneğin, BenevolentAI gibi şirketler, spesifik bir
hastalık hakkında biyolojik bir soru formüle ederek işe
başlıyorlar. Diyelim ki, ekip, ALS hastalığını
hücrenin kendi temizlik sistemini iyileştirerek veya düzelterek
tedavi etmenin yollarını araştırmak istiyor. Bu, tamamen kurgusal
bir örnek olsa da, sürecin nasıl işlediğine dair fikir veriyor.

Bu sorular, BenevolentAI’nin yapay zeka
modelleri tarafından ele alınıyor ve geniş bir veri kaynağı
havuzundan bilgiler çekilerek değerlendiriliyor. Model, bu sorulara
potansiyel cevaplar sunuyor; bu cevaplar, yeni bileşikler veya
mevcut ilaçların uygun hale getirilebileceği şekilleri içerebilir.
Elde edilen veriler daha sonra bir araştırmacı tarafından
inceleniyor ve bulgulara ne kadar ağırlık verileceğine karar
veriliyor. Model, önerilerini desteklemek için mevcut literatürden
veya kaynaklardan kanıtlar sunmak zorunda, hatta öneriler
beklenmedik olsa bile. Her zaman son sözü insanlar söylüyor ve
hangi sonuçların takip edileceğine onlar karar veriyor.

Recursion’da durum benzer bir şekilde
ilerliyor. Dr. Gibson, şirketin modelinin artık
“herhangi bir ilacın herhangi bir hastalıkla nasıl
etkileşeceğini fiziksel olarak test etmeye gerek
kalmadan tahmin edebilecek kapasitede” olduğunu belirtiyor. Bu
model, zaten emilmiş ve simüle edilmiş verilere dayanarak üç
trilyon tahmin oluşturmuş durumda. Araştırmacılar, bir terminalde
oturup, örneğin meme kanseri ile ilişkili bir geni yazdıklarında,
sistemle ilişkili olduğuna inandığı diğer genler ve bileşikler
listeleniyor.

Gerçekten heyecan verici olan, listelerde daha önce kimsenin
duymadığı bir genin ortaya çıkması ve bu durumun, dünyanın
varlığından haberdar olmadığı yeni bir biyoloji alanı gibi
hissettirmesi. Bir hedef belirlendikten ve bulgular insanlar
tarafından kontrol edildikten sonra, veriler
Recursion’un kendi iç laboratuvarına aktarılıyor.
Burada, simülasyonda bulunanların gerçek dünyada tekrarlanıp
tekrarlanamayacağını görmek için ilk deneyler yapılıyor.
Dr. Gibson’a göre, şirketin büyük
ölçüde otomatikleştirilmiş ıslak laboratuvarı, bir çalışma
haftasında iki milyondan fazla deney yapabiliyor.

Yaklaşık altı hafta sonra, çok az insan müdahalesiyle sonuçlar
alınıyor ve eğer başarılı olursa, şirket gerçekten yatırım yapmaya
başlıyor. Başlangıçtaki kısa doğrulama çalışması, şirkete çok az
para ve zaman kaybettiriyor. Bu söz, üç yıllık bir
preklinik aşamayı, birkaç
veritabanı araması, biraz gözetim ve ardından sistem
hipotezlerinin gerçekten araştırılmaya değer olup olmadığını
doğrulamak için birkaç haftalık ex vivo testlere
sıkıştırma vaadinde bulunuyor.

Henüz bu yaklaşımı doğrulayan somut bir başarı hikayesi yok.
Ancak Recursion, platformunun bir kritik
çalışmanın başarısına ne kadar yaklaştığını gösteren gerçek dünya
örneklerinden bahsedebilir. Nisan 2020’de, COVID-19
dizilimini sisteminden geçirerek potansiyel tedavileri
inceledi. Hem FDA onaylı ilaçları hem de geç aşama klinik
denemelerdeki adayları inceledi. Sistem, daha fazla analiz
gerektiren dokuz potansiyel aday üretti, bunlardan sekizi daha
sonra doğru olduğu kanıtlandı. Ayrıca, pandeminin en erken
günlerinde çok konuşulan Hidroksiklorokin ve İvermektin’in
başarısız olacağını belirtti.

Şu anda gerçek dünya klinik denemelerinde olan AI destekli
ilaçlar var. Recursion, şu anda birinci aşama
(sağlıklı hastalarda testler) denemelerini tamamlamak üzere olan
veya ikinci aşama (soruşturulan nadir hastalıklara sahip insanlarda
denemeler) klinik testlere giren beş projeyi işaret ediyor.
Benevolent, ülseratif kolit tedavisi için birinci
aşama denemesine başladı ve bu tedavi, diğer iltihaplı bağırsak
hastalıklarına da yardımcı olabilir. Ve eğer başarılı olursa,
AI’nin insanların gözden kaçırdığı bağlantıları tespit edebileceği
fikrine ağırlık katacak.

Yapay zeka teknolojilerinin ilaç keşfi sürecindeki tek
belirleyici güç olarak ne kadar güvenilir olduğu, eğitim
verilerinin kalitesi ve genel kaynaklardaki önyargılar dahil olmak
üzere pek çok soru işareti bulunuyor. Dr.
Richmond, genetik veri kaynaklarındaki önyargılar
konusunda, hem hücre kültürlerinin homojenliği hem de bu testlerin
nasıl yapıldığı açısından sorunları
vurguluyor.

Benzer şekilde, Dr. Carpenter, en son projesi
olan kamuoyuna açık JUMP-Cell Painting projesinin
sonuçlarının tek bir katılımcının hücrelerine dayandığını söylüyor.
İdeal bir dünyada, çok daha geniş bir katılımcı ve hücre türü
yelpazesine sahip olmak isterdi, ancak şu anki sorunlar, fonlama ve
zamanın, ya da daha doğrusu, bunların yokluğunun etrafında
dönüyor.

Şimdilik, bu erken denemelerin sonuçlarını beklemekten ve umut
etmekten başka yapabileceğimiz çok şey yok. Yapay
zekanın potansiyel uygulamaları gibi, değeri büyük ölçüde
iş kalitesini iyileştirme yeteneğine veya daha olası olarak,
işletme için alt çizgiyi iyileştirme yeteneğine bağlı olacak.
Ancak, yapay zeka yeterince çekici tasarruflar sağlayabilirse,
mevcut sistem altında yatırım geri dönüşü sağlama olasılığı düşük
olan hastalıklar bile bir şans bulabilir. Bu, bir hype patlamasıyla
sonuçlanabilir veya nadir hastalıklarla mücadele eden ailelere
gerçek bir umut sunabilir.