İnsan & Sağlık

Yapay Zeka İlaç Keşfini Nasıl Hızlandırabilir?

Yapay Zeka İlaç Keşfini Nasıl Hızlandırabilir?


İlaç keşfi, her biri oldukça karmaşık, zorlu ve zaman alan süreçler barındırmaktadır. Daha önce ilaç keşfinde yapay zekanın (AI) kullanımına dair bir çalışma yayınlamış olsak da ilaç geliştirici büyük firmaların, süreçlerin her birinde, yapay zekayı nasıl kullandıklarına değinen bu yazıyı da sizlerle paylaşmak istedim.

US FDA (US Foodand Drug Administration), yeni bir ilacın geliştirilmesi için beş adım tanımlamaktadır. Bunlar; keşif ve geliştirme, klinik öncesi araştırma, klinik araştırma, FDA incelemesi ve FDA pazar sonrası güvenlik izlemesi.

İlk adım olan ilaç keşfi tipik olarak dört senaryodan birini içermektedir; hastalığa karşı yeni bakış açıları sağlamak, moleküler bileşikleri test etmek, mevcut ilaçları yeniden konumlandırmak veya genetik materyalleri manipüle etmek yoluyla bir ilacın olası etkilerini bulmak. Keşif aşamasında binlerce bileşikten her biri, ilaç geliştirme için potansiyel adaydır. Bu bileşikler bir dizi testlere tabi tutulmakta ve çok az bir kısmı çalışmanın geri kalanına eşlik etmektedir. Bileşiklerin analizleri, yapılan testler vs. oldukça maliyetli çalışmalardır. Öyle ki Tufts İlaç Ar-Ge Merkezi, yeni bir ilaç geliştirmenin maliyetinin ortalama 2,55 milyar dolar olduğunu söylemektedir. Bu sebeple ilaç şirketleri, ilaç keşfini hızlandırmak ve ilaç geliştirme maliyetlerini azaltmak için, makine öğrenimi ve derin öğrenme gibi yapay zeka teknolojilerini süreçlere dahil etmektedirler.

Bir hastalığa yeni bakış açıları sağlamak

İlaç keşfi, yüksek çözünürlüklü tıbbi görüntüler, genomik profiller, metabolitler, moleküler yapılar ve biyolojik bilgiler gibi toplu veri içeren, veri odaklı bir ortamdır. Bu veriler makale ve dergilerde yayınlansa da araştırmacılar için bu verileri takip etmek zor olabilir. AI, veri havuzlarındaki kalıpları keşfetmeye yardımcı olmak için mevcut verileri daha hızlı ilişkilendirmek, özümsemek ve bağlamak için makine öğrenimini ve derin öğrenmeyi kullanabilir. AI, ilaç keşfi için hipotez sağlayan bağlantıları bilimsel araştırma makalelerini inceleyerek oluşturabilir.

Yayınlanan tıbbi makalelerin çok fazla sayfaya sahip olduğu ve araştırmacıların da yılda yaklaşık 200-300 makale okuduğu göz önüne alınırsa, makinelerin okuma yapması bu süreci oldukça verimli hale getirebilir. İlaç devi Pfizer, immüno-onkoloji araştırmaları için, 25 milyon Medline makale özeti ve bir milyon tıbbi dergi makalesinden oluşan IBM Watson for Drug Discovery bulut tabanlı platformu kullanmaktadır.

İngiliz BenevolentAI şirketi, ilaç keşiflerini hızlandırmak için yüksek miktarda bilimsel karmaşık bilgiyi benimsemek ve analiz etmek için AI ve derin öğrenme kullanmaktadır. Araştırmacılara yeni anlayışlar sağlamak için bilimsel makaleler, klinik çalışma bilgileri ve veri kümeleri özümsenebilir. BenevolentAI şirketi bu yaklaşımla, bileşiklerin hastalıkları hedeflemede nasıl daha etkili olabileceğini tahmin edebilir ve süreci kısaltabilir. Örneğin, BenevolentAI, 2016 yılında ALS (ayrıca Motor Nöron Hastalığı olarak da bilinir) tedavisinde olası bir hipotez belirlemeye yardımcı olmak için AI teknolojisini kullanmıştır.

Moleküler bileşikleri test ederek bir ilacın olası etkilerini bulma

Bir ilaç için yeni bileşikler bulmak, sayısız miktarda olası kombinasyonlar olduğu için çok zordur. Bu tür araştırmalar genler, proteinler, metabolitler, moleküler yapılar ve biyolojik bilgiler hakkında tıbbi veriler gerektirmektedir. Büyük miktardaki bu veriyi işlemek çok zaman alabilmektedir. İlaç şirketleri, derin öğrenme algoritmaları gibi AI tekniklerinin, aynı bilgiyi çok daha hızlı işleyebileceğini keşfetmişlerdir.

Exscientia’nın AI platformu, hücrelerde veya hayvan modellerinde bileşikleri taramak için tasarım ve değerlendirmede derin bilgiyi kodlamaktadır. Araştırmacılar ilaç keşfine yardımcı olmak için yeni tasarlanan bir bileşiğin sonuçlarını, beklenen performans ve diğer moleküllerle karşılaştırarak bileşik tasarımları geliştirebilirler. Exscientia, geliştirilen modellerin rafine edilmesine ve tasarımların geliştirilmesine yardımcı olabilecek küçük bileşik gruplarını hızla sentezlemekte ve analiz edebilmektedir.

Atomwise’un ilaç araştırma teknolojisi olan AtomNet, günlük on milyondan fazla bileşiği taramak için derin öğrenme algoritmaları ve elastik süper bilgisayar platformlarını kullanmakta ve bu da moleküllerin potansiyel ilaç adayları olarak tanımlanma sürecini hızlandırmaktadır. AtomNet’in molekül simülasyonları fiziksel yüksek verimli (high-throughput) tarama yöntemlerinden daha etkilidir ve aynı zamanda bir ilacın toksisitesi, yan etkileri ve etkinliği hakkında daha iyi bir anlayış sağlayabilmektedir.

Mevcut ilaçların yeniden konumlandırılması

İlaçların yeniden konumlandırılması, yeni endikasyonların tedavisinde bilinen ilaçların ve bileşiklerin uygulanmasıdır. İlacın yeniden konumlandırılmasının avantajı, yeniden konumlandırılan ilaçların çoğunun zaten bir dizi testten geçmiş olması ve bu yüzden beklenmedik toksisite veya yan etki riskinin daha düşük olmasıdır. İlaç şirketleri, makine öğrenme algoritmaları ile yeni ilaç geliştirmekten daha ucuz ve daha hızlı bir şekilde ilaç konumlandırabilir.

IBM, gerçek hayattaki verileri ve makine öğrenme algoritmalarını kullanarak ilaç konumlandırma çalışmalarında Teva Pharmaceuticals ile işbirliği yapmaktadır. IBM Watson, yapılandırılmamış verileri özümsemek ve ilaç konumlandırılmasını önemli ölçüde iyileştirme potansiyeline sahip ilaç molekülleri ile belirli hastalıklar arasındaki ilişkileri keşfetmek için bilişsel teknolojileri kullanmaktadır.

Biyoinformatik şirketi NuMedii, makine öğrenme tekniklerini kullanarak ilaç konumlandırma projeleri üzerinde Astellas Pharma ile birlikte çalışmaktadır. NuMedii biyolojik, farmakolojik ve klinik veri noktalarını kullanarak, büyük veri kaynaklarından yeni ilaç adayları bulmak için sinir ağı tabanlı algoritmalar kullanmaktadır. NuMedii böylece mevcut ilaçların yeniden konumlandırılmasına ya da diğer tıbbi endikasyonlar için ilaç adayları yaratılmasına yardımcı olabilir.

Genetik materyallerin manipülasyonu

İlaç keşfi için genetik materyalleri manipüle etmek, kişiselleştirilmiş tıp veya kişiye özel tıp olarak da bilinir. Bu tür bir ilaç keşfi tedavide daha etkili olabilir. Çünkü tahmini analizlerle eşleştirilmiş bireysel sağlık verilerine dayanmaktadır. İlaç şirketleri, özellikle veri büyük ve yapılandırılmamış olduğunda, bir kişinin ayrıntılı bilgilerini verimli bir şekilde toplamak, analiz etmek, depolamak ve izlemek için derin öğrenme, makine öğrenimi veya bilgisayar görüntüsü kullanmaktadır.

MIT Clinical Machine Learning Group’un kişiselleştirilmiş tıp araştırması derin öğrenme, zaman serisi modelleme, yapısal tahmin, yarı güdümlü öğrenme, güdümsüz öğrenme, doğal dil işleme için yarı güdümlü öğrenme algoritmaları üzerine odaklanmıştır. Araştırma grubu bu teknolojileri, hastalık süreçlerini daha iyi anlamak ve Tip 2 diyabet gibi hastalıkların tedavisine yönelik ilaç tasarlamak için kullanmaktadır.

AI odaklı bir biyoteknoloji şirketi olan Recursion Pharmaceuticals, genetik hastalıkların tedavisinde klinik evre moleküllerinin kullanımlarını belirlemek için küresel biyofarmasötik şirketi Sanofi ile çalışmaktadır. Özyineleme, bireysel hücrelerin görüntü analizini yapmak için bilgisayar görüntüsü kullanır, onları genetik hastalık modelleri kütüphanesinde tarar ve yeni endikasyonlar elde etmek için makine öğrenme teknolojisini kullanır.

İlaç Keşfinin Geleceği

Yapay zekanın, ilaç keşfi üzerinde süreci daha hızlı hale getirmek için uygulanabileceğini biliyoruz. Aynı zamanda yapay zekanın ilaç geliştirmede kullanıldığı alanlar da var. Örneğin, klinik deneyler şu anda beş aşamada sınıflandırılmaktadır ve genellikle birinci aşamadan üçüncü aşamaya geçmek için üç binden fazla test konusu gerekir. Çoğu ilaç şirketi, bireysel tıbbi kayıtları inceleyerek klinik çalışma konularını bulmak için işe alım firmalarını kullanır. Bu görev zaman alır ve etkinliği düşüktür. Şirketler, klinik araştırmasının bu yönünü hızlandıracak bir dahil etme/dışlama kriteri oluşturmak için yaş, cinsiyet, tedavi geçmişi ve mevcut sağlık durumunu içeren bir modeli eğitmek için makine öğrenimini kullanabilir.

Ayrıca yapay zeka, aday ilaçların yan etkilerini veya toksisitelerini test etmeye yardımcı olabilir. Bu tür testler ilaç şirketlerinin bir ilaç adayının klinik denemelerden önce yan etkilerini tanımlamasına yardımcı olur.

İlaç keşfi, makine öğrenimi, derin öğrenme ve bilgisayar modellemeden faydalanabilir. Bununla birlikte yapay zekanın, sinir ağlarını eğitirken hatalara veya ayırımcılığa neden olabilecek dengesiz verileri belirleme potansiyeli de vardır. Insilico Medicine’dan bir araştırma ekibi, sinir ağının farklı veri setleri kullanılarak eğitilmemesi üzerine doğruluğun stabil kalamayacağını keşfetti. Bu nedenle, yapay zekanın ilaç keşfinde daha fazla uygulanması için girdi verilerinin aralığı, miktarı ve kalitesi önemli bir faktördür.

Web Kaynak: https://medium.com/syncedreview/how-ai-can-speed-up-drug-discovery-3c7f01654625

Görsel Telif: AIMed

Çeviren ve Derleyen: Dilan BOÇNAK (Araştırmacı)

Eklenme Tarihi : 12 Ocak 2019

Yorum Yap