Araştırma ve geliştirme süreçlerinde yapay zekanın kullanımının artması, yeni ilaçların keşfi ve geliştirilmesini hızlandırırken, tedavi metotlarında de kıymetli ilerlemeler kaydedilmesini sağlıyor. Bu yenilik, büyük ilaç şirketlerini daha faal ve verimli çalışma tekniklerine yönlendiriyor ve sıhhat bölümünde yapay zekanın rolünün giderek arttığını gözler önüne seriyor.
Yirmi birinci yüzyılın sanayi önderleri, yapay zekayı (AI) dünyamızın her köşesine entegre etmeye çalışıyor. Lakin yapay zekanın her alanda başarılı olamayacağı düşünülse de, yeni ilaçların tasarlanması, bulunması ve test edilmesi üzere onlarca yıl sürebilen süreçleri hızlandırarak hakikaten yararlı olabileceği bir alan mevcut.
Yeni bir ilaç projesinin başarısızlık riskiyle karşı karşıya kalması hayli yaygın bir durumdur. Her ilaç projesi, laboratuvar testlerine başlamak için kâfi bir hipotez oluşturmak hedefiyle üç ila beş yıl ortasında bir süreç gerektirir. Profesör Duxin Sun’un 2022 tarihli çalışmasına nazaran, klinik ilaç geliştirme süreçlerinin %90’ı başarısızlıkla sonuçlanmakta ve her proje 2 milyar dolardan fazla maliyete neden olmaktadır. Bu sayı, preklinik basamakta çalışmayacak olarak bulunan bileşikleri bile içermemektedir. Öteki bir deyişle, her başarılı ilaç, başarısız olan “kardeşleri” tarafından üretilen en az 18 milyar dolarlık israfı desteklemek zorundadır. Bu durum, daha az karlı ve az hastalıkların tedavilerine odaklanılmasını engelleyen bir faktördür.
Benevolent şirketinin yapay zeka lideri Dr. Nicola Richmond, klasik sistemde araştırmacıların evvel hastalığa neden olan bir protein bulmaları, akabinde bu proteini düzeltici bir molekül bulmaları gerektiğini açıklıyor. Bir molekül bulunduktan sonra, bunun hasta tarafından alınabilecek bir forma dönüştürülmesi ve hem inançlı hem de tesirli olduğunun test edilmesi gerekiyor. Klinik deneylere ve insan üzerinde testlere ulaşmak yıllar alıyor ve birçok vakit, teoride işe yarayan şeylerin pratikte işe yaramadığı bu kademede anlaşılıyor.
Recursion şirketinin kurucu ortağı Dr. Chris Gibson, mevcut sürecin her onaylanan ilaç için on yılı aşkın müddet ve milyarlarca dolarlık araştırma yatırımı gerektirdiğini belirtiyor. Gibson’a nazaran yapay zekanın büyük hüneri, araştırmacıların kör noktalarda fazla vakit kaybetmelerini önlemek ve yüzlerce seçeneği birebir anda değerlendirebilen bir yazılım platformunun erken ve süratli bir formda başarısız olmasını sağlayarak başka gayelere geçmelerine yardımcı olabilir.
Yapay zeka şimdide ilaç yapacak! Pekala sırada ne var?
Dr. Anne E. Carpenter, MIT ve Harvard’ın Broad Enstitüsü’nde Carpenter-Singh laboratuvarının kurucusudur. On yıldan fazla bir müddettir, hücrelerdeki elementleri boyalar yardımıyla vurgulayarak bilgisayar tarafından okunabilir hale getiren Hücre Boyama tekniği üzerinde çalışmalar yapmıştır. Tıpkı vakitte, bu boyalı hücrelerin imajlarından oluşan geniş data havuzlarını AI ile tahlil edebilmenin yollarını sunan Hücre Profili geliştiricilerindendir. Bu çalışmalar bir ortaya geldiğinde, bir makinenin hastalığın varlığı yahut bir tedavinin tesiri altında hücrelerin nasıl değiştiğini görmesi kolaylaşır. Ve “omiks” olarak bilinen disiplinde hücrenin her kesimine bütünsel olarak bakıldığında, AI sistemlerinin üstünde olduğu ilişkiler kurma konusunda daha fazla fırsat sunar.
Potansiyel tedavileri belirlemek için fotoğraflar kullanmak, görünen şeylerin her vakit gerçek durumu yansıtmadığı düşünüldüğünde, biraz alışılmışın dışında görünebilir, değil mi? Carpenter, insanların her vakit sadece görerek tıbbi durumlar hakkında bilinçaltı varsayımlarda bulunduğunu söyledi. Birden fazla insanın birinin yüzüne bakarak kromozomal bir meseleleri olabileceği sonucuna varabileceğini açıkladı. Tecrübeleri sonucunda profesyonel klinik uzmanları da sadece görerek birçok bozukluğu tanıyabilir. Carpenter, belli bir nüfustaki herkesin yüzünün bir fotoğrafını çektiğinizde, bir bilgisayarın ortak özelliklere nazaran tertiplerini ve desenlerini tanıyabileceğini ekledi.
Bu mantık, sağlıklı ve hastalıklı örneklerden alınan hücre fotoğraflarına de uygulanabilir. Bir insan bunu yapabiliyorsa, bir bilgisayarın bu farklılıkları ölçeklendirerek ve doğrulukla tespit etmesi daha süratli ve kolay olmalıdır. “Bu bilgilerin kendi kendine kümelere ayrılmasına müsaade 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, yalnızca bir tesadüf değil, tıpkı vakitte onların davranışlarına dair bariz bir gösterge üzere görünüyor.
Bir örnekte, Carpenter, iki farklı bileşiğin bir hücrede benzeri tesirler üretebileceğini ve münasebetiyle birebir durumu tedavi etmek için kullanılabileceğini belirtti. Şayet öyleyse, iki bileşikten biri – bu emelle tasarlanmamış olabilir – daha az ziyanlı yan tesirlere sahip olabilir. Akabinde, hastalık tarafından etkilendiğini bilmediğimiz bir şeyi tanımlayabilme potansiyeli var. “Bize, ‘bak, bu yolda çok düzgün bilinen beş genden oluşan bu küme var, fakat altıncısının ne işe yaradığını bilmiyorduk, artık birebir biyolojik süreçte yer aldığına dair güçlü bir ipucumuz var’ dememizi sağlıyor. Tahminen öbür beş gen, bir nedenle, direkt maksatlar olarak uygun değildir, tahminen kimyasallar bağlanmaz,” dedi, “ama altıncı gen bunun için hakikaten harika olabilir.”
Yapay zeka teknolojileri, çağdaş tıbbın en karmaşık sıkıntılarına tahlil arayan ilaç keşfi süreçlerinde giderek daha fazla yer buluyor. Örneğin, BenevolentAI üzere şirketler, spesifik bir hastalık hakkında biyolojik bir soru formüle ederek işe başlıyorlar. Diyelim ki, takım, ALS hastalığını hücrenin kendi paklık sistemini güzelleştirerek yahut düzelterek tedavi etmenin yollarını araştırmak istiyor. Bu, büsbütün kurgusal bir örnek olsa da, sürecin nasıl işlediğine dair fikir veriyor.
Bu sorular, BenevolentAI’nin yapay zeka modelleri tarafından ele alınıyor ve geniş bir data kaynağı havuzundan bilgiler çekilerek bedellendiriliyor. Model, bu sorulara potansiyel karşılıklar sunuyor; bu karşılıklar, yeni bileşikler yahut mevcut ilaçların uygun hale getirilebileceği formları içerebilir. Elde edilen bilgiler daha sonra bir araştırmacı tarafından inceleniyor ve bulgulara ne kadar yük verileceğine karar veriliyor. Model, tekliflerini desteklemek için mevcut literatürden yahut kaynaklardan ispatlar sunmak zorunda, hatta teklifler beklenmedik olsa bile. Her vakit son kelamı beşerler söylüyor ve hangi sonuçların takip edileceğine onlar karar veriyor.
Recursion’da durum misal bir biçimde ilerliyor. Dr. Gibson, şirketin modelinin artık “herhangi bir ilacın rastgele bir hastalıkla nasıl etkileşeceğini fizikî olarak test etmeye gerek kalmadan kestirim edebilecek kapasitede” olduğunu belirtiyor. Bu model, esasen emilmiş ve simüle edilmiş bilgilere dayanarak üç trilyon kestirim oluşturmuş durumda. Araştırmacılar, bir terminalde oturup, örneğin göğüs kanseri ile alakalı bir geni yazdıklarında, sistemle bağlantılı olduğuna inandığı öteki genler ve bileşikler listeleniyor.
Gerçekten heyecan verici olan, listelerde daha evvel kimsenin duymadığı bir genin ortaya çıkması ve bu durumun, dünyanın varlığından haberdar olmadığı yeni bir biyoloji alanı üzere hissettirmesi. Bir maksat belirlendikten ve bulgular beşerler tarafından denetim edildikten sonra, bilgiler Recursion’un kendi iç laboratuvarına aktarılıyor. Burada, simülasyonda bulunanların gerçek dünyada tekrarlanıp tekrarlanamayacağını görmek için birinci deneyler yapılıyor. Dr. Gibson’a nazaran, 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 şayet başarılı olursa, şirket sahiden yatırım yapmaya başlıyor. Başlangıçtaki kısa doğrulama çalışması, şirkete çok az para ve vakit kaybettiriyor. Bu kelam, üç yıllık bir preklinik kademeyi, birkaç veritabanı araması, biraz nezaret ve akabinde sistem hipotezlerinin nitekim araştırılmaya paha olup olmadığını doğrulamak için birkaç haftalık ex vivo testlere sıkıştırma vaadinde bulunuyor.
Henüz bu yaklaşımı doğrulayan somut bir muvaffakiyet öyküsü yok. Lakin 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 evre klinik denemelerdeki adayları inceledi. Sistem, daha fazla tahlil gerektiren dokuz potansiyel aday üretti, bunlardan sekizi daha sonra gerçek olduğu kanıtlandı. Ayrıyeten, pandeminin en erken günlerinde çok konuşulan Hidroksiklorokin ve İvermektin’in başarısız olacağını belirtti.
Şu anda gerçek dünya klinik denemelerinde olan AI takviyeli ilaçlar var. Recursion, şu anda birinci etap (sağlıklı hastalarda testler) denemelerini tamamlamak üzere olan yahut ikinci basamak (soruşturulan ender hastalıklara sahip insanlarda denemeler) klinik testlere giren beş projeyi işaret ediyor. Benevolent, ülseratif kolit tedavisi için birinci etap denemesine başladı ve bu tedavi, öbür iltihaplı bağırsak hastalıklarına da yardımcı olabilir. Ve şayet başarılı olursa, AI’nin insanların gözden kaçırdığı ilişkileri tespit edebileceği fikrine yük katacak.
Yapay zeka teknolojilerinin ilaç keşfi sürecindeki tek belirleyici güç olarak ne kadar muteber olduğu, eğitim bilgilerinin kalitesi ve genel kaynaklardaki önyargılar dahil olmak üzere pek çok soru işareti bulunuyor. Dr. Richmond, genetik data kaynaklarındaki önyargılar konusunda, hem hücre kültürlerinin homojenliği hem de bu testlerin nasıl yapıldığı açısından problemleri vurguluyor.
Benzer biçimde, Dr. Carpenter, en son projesi olan kamuoyuna açık JUMP-Cell Painting projesinin sonuçlarının tek bir iştirakçinin hücrelerine dayandığını söylüyor. Ülkü bir dünyada, çok daha geniş bir iştirakçi ve hücre çeşidi yelpazesine sahip olmak isterdi, fakat şu anki meseleler, fonlama ve vaktin, ya da daha doğrusu, bunların yokluğunun etrafında dönüyor.
Şimdilik, bu erken denemelerin sonuçlarını beklemekten ve umut etmekten diğer yapabileceğimiz çok şey yok. Yapay zekanın potansiyel uygulamaları üzere, kıymeti büyük ölçüde iş kalitesini güzelleştirme yeteneğine yahut daha mümkün olarak, işletme için alt çizgiyi düzgünleştirme yeteneğine bağlı olacak. Fakat, yapay zeka gereğince cazip tasarruflar sağlayabilirse, mevcut sistem altında yatırım geri dönüşü sağlama mümkünlüğü düşük olan hastalıklar bile bir baht bulabilir. Bu, bir hype patlamasıyla sonuçlanabilir yahut az hastalıklarla çaba eden ailelere gerçek bir umut sunabilir.