İlaç Yeniden Konumlandırma ve Derin Öğrenme

Tamamen yeni ilaçlar keşfetmek, teknolojiyi ve Derin Öğrenme rüzgarını arkasına almış olsa da, 2020’li yıllarda iyiden iyiye hissedilen iklim değişikliği, kaynak sorunları ve ekonomik durgunluklar yeni ilaç geliştirme ve tedariğinde sorunlar yaşanmasına sebep olmaktadır (Murage vd., 2021; Neergheen-Bhujun vd., 2017; Shukar vd., 2021). Benzer şekilde, katlanan veri işleme hızları ve donanım kapasitelerine rağmen yeni ilaç keşiflerinde yavaşlamanın olduğu iddia edilmektedir (Bridle, 2020). Ayrıca, yeni ilaç keşiflerindeki ortalama oranlara bakıldığında, ilaç uygulamalarının sadece %13,8’lik bir kesiminin başarıya ulaştığı anlaşılmaktadır (Wong vd., 2019). Bütün bu koşullar altında, ilaç keşfine farklı bir pencereden bakan ilaç yeniden konumlandırma (hedefleme), başarısı ve etkinliği bilinen ilaçların farklı hastalıklara yönlendirilmesine dayanan bir çözüm olarak (Singh vd., 2020), daha hızlı, daha düşük maliyetli ve daha güvenli ilaç çözümlerinin oluşturulmasında bir alternatif haline gelmiştir. İlaç yeniden konumlandırma sayesinde yeni ilaç keşfindeki bazı fazların aşılması suretiyle daha hızlı ilaç-hastalık çözümleri elde edilmekte, güvenli ve etkin olduğu bilinen ilaç bileşenleri alternatif hastalıklara etkin şekilde yönlendirilebilmekte, eldeki kaynakların ekonomik ve optimum kullanımı sağlanmaktadır (Park, 2019; Pushpakom vd., 2019).

İfade edilen doğrultuda, ilaç yeniden konumlandırma sayesinde birçok başarı hikayesi ortaya çıkmaktadır. Bunlardan en bilinenleri, antimikrobiyallerin yeniden konumlandırılması ile çoklu enfeksiyonlara karşı geniş spektrumlu terapötiklerin tespiti (Firth ve Prathapan, 2021), Cüzzam ve Multipl Miyelom için Talidomid kullanımının tespiti (Amare vd., 2021) ve Erektil Disfonksiyon için kullanılan Sildenafil’in Pulmoner Hipertansiyon ve Alzheimer için kullanılabileceğinin tespiti (Cheng vd., 2021; Ghofrani vd., 2006) şeklindedir. Söz konusu gelişmelerin yanında Derin Öğrenme teknikleri de, -tıpkı yeni ilaç keşiflerinde olduğu gibi- ilaç yeniden konumlandırma uygulamaları için vazgeçilmez bir unsura dönüşmüştür (Aliper vd., 2016; Li vd., 2020; Issa vd., 2021; Pan vd., 2022; Pham vd., 2021). Halihazırda COVID-19’a karşı ilaç yeniden konumlandırma uygulamalarında Derin Öğrenme’nin etkin rolü dikkate değerdir (Abdel-Basset vd., 2020; Choi vd., 2020; Deepthi vd., 2021; Hooshmand vd., 2021; Li vd., 2020; Pham vd., 2021; Wang vd., 2021; Zeng vd., 2020). Bununla birlikte başta kanser olmak üzere birçok önemli hastalıkta Derin Öğrenme tabanlı ilaç yeniden konumlandırma araştırmalarının büyük potansiyel sahibi olduğunu ifade etmek mümkündür (Issa vd., 2021; Quazi ve Fatima, 2023; Yu vd., 2022).

Kaynakça

• Abdel-Basset, M., Hawash, H., Elhoseny, M., Chakrabortty, R. K., Ryan, M. 2020. “DeepH-DTA: deep learning for predicting drug-target interactions: a case study of COVID-19 drug repurposing”. IEEE Access, 8, 170433-170451.
• Aliper, A., Plis, S., Artemov, A., Ulloa, A., Mamoshina, P., Zhavoronkov, A. 2016. “Deep learning applications for predicting pharmacological properties of drugs and drug repurposing using transcriptomic data”. Molecular Pharmaceutics, 13(7), 2524-2530.
• Amare, G. G., Meharie, B. G., Belayneh, Y. M. 2021. “A drug repositioning success: The repositioned therapeutic applications and mechanisms of action of thalidomide”. Journal of Oncology Pharmacy Practice, 27(3), 673-678.
• Bridle, J. 2020. Yeni Karanlık Çağ: Teknoloji ve Geleceğin Sonu. Metis Yayınları.
• Cheng, F., Fang, J., Zhang, P., Zhou, Y., Chiang, C. W., Pieper, A. A., Cummings, J. L. 2021. “Sildenafil reduces the incidence of Alzheimer’s disease”. Alzheimer’s & Dementia, 17, e051847.
• Choi, Y., Shin, B., Kang, K., Park, S., Beck, B. R. 2020. “Target-centered drug repurposing predictions of human angiotensin-converting enzyme 2 (ACE2) and transmembrane protease serine subtype 2 (TMPRSS2) interacting approved drugs for coronavirus disease 2019 (COVID-19) treatment through a drug-target interaction deep learning model”. Viruses, 12(11), 1325.
• Deepthi, K., Jereesh, A. S., Liu, Y. 2021. “A deep learning ensemble approach to prioritize antiviral drugs against novel coronavirus SARS-CoV-2 for COVID-19 drug repurposing”. Applied Soft Computing, 113, 107945.
• Firth, A., Prathapan, P. 2021. “Broad-spectrum therapeutics: A new antimicrobial class”. Current Research in Pharmacology and Drug Discovery, 2, 100011.
• Ghofrani, H. A., Osterloh, I. H., Grimminger, F. 2006. “Sildenafil: from angina to erectile dysfunction to pulmonary hypertension and beyond”. Nature Reviews Drug Discovery, 5(8), 689-702.
• Hooshmand, S. A., Zarei Ghobadi, M., Hooshmand, S. E., Azimzadeh Jamalkandi, S., Alavi, S. M., Masoudi-Nejad, A. 2021. “A multimodal deep learning-based drug repurposing approach for treatment of COVID-19”. Molecular Diversity, 25(3), 1717-1730.
• Issa, N. T., Stathias, V., Schürer, S., Dakshanamurthy, S. 2021. “Machine and deep learning approaches for cancer drug repurposing”. In Seminars in Cancer Biology (Vol. 68, pp. 132-142). Academic Press.
• Li, B., Dai, C., Wang, L., Deng, H., Li, Y., Guan, Z., Ni, H. 2020. “A novel drug repurposing approach for non-small cell lung cancer using deep learning”. PloS One, 15(6), e0233112.
• Murage, P., Batalha, H. R., Lino, S., Sterniczuk, K. 2021. “From drug discovery to coronaviruses: why restoring natural habitats is good for human health”. BMJ, 375.
• Neergheen-Bhujun, V., Awan, A. T., Baran, Y., Bunnefeld, N., Chan, K., Dela Cruz, T. E., …, Kagansky, A. 2017. “Biodiversity, drug discovery, and the future of global health: Introducing the biodiversity to biomedicine consortium, a call to action”. Journal of Global Health, 7(2).
• Pan, X., Lin, X., Cao, D., Zeng, X., Yu, P. S., He, L., …, Cheng, F. 2022. “Deep learning for drug repurposing: Methods, databases, and applications. Wiley Interdisciplinary Reviews”: Computational Molecular Science, e1597.
• Park, K. 2019. “A review of computational drug repurposing”. Translational and Clinical Pharmacology, 27(2), 59-63.
• Pham, T. H., Qiu, Y., Zeng, J., Xie, L., Zhang, P. 2021. “A deep learning framework for high-throughput mechanism-driven phenotype compound screening and its application to COVID-19 drug repurposing”. Nature Machine Intelligence, 3(3), 247-257.
• Pushpakom, S., Iorio, F., Eyers, P. A., Escott, K. J., Hopper, S., Wells, A., …, Pirmohamed, M. 2019. “Drug repurposing: progress, challenges and recommendations”. Nature Reviews Drug Discovery, 18(1), 41-58.
• Quazi, S., Fatima, Z. 2023. “Role of Artificial Intelligence and Machine Learning in Drug Discovery and Drug Repurposing”. In Structural and Functional Aspects of Biocomputing Systems for Data Processing (pp. 182-197). IGI Global.
• Shukar, S., Zahoor, F., Hayat, K., Saeed, A., Gillani, A. H., Omer, S., …, Yang, C. 2021. “Drug Shortage: Causes, Impact, and Mitigation Strategies”. Frontiers in Pharmacology, 12.
• Singh, T. U., Parida, S., Lingaraju, M. C., Kesavan, M., Kumar, D., Singh, R. K. 2020. “Drug repurposing approach to fight COVID-19”. Pharmacological Reports, 72(6), 1479-1508.
• Wang, Y., Yang, Y., Chen, S., Wang, J. 2021. “DeepDRK: a deep learning framework for drug repurposing through kernel-based multi-omics integration”. Briefings in Bioinformatics, 22(5), bbab048.
• Wong, C. H., Siah, K. W., Lo, A. W. 2019. “Estimation of clinical trial success rates and related parameters”. Biostatistics, 20(2), 273-286.
• Yu, J. L., Dai, Q. Q., Li, G. B. 2022. “Deep learning in target prediction and drug repositioning: Recent advances and challenges”. Drug Discovery Today, 27(7), 1796-1814.
• Zeng, X., Zhu, S., Lu, W., Liu, Z., Huang, J., Zhou, Y., …, Cheng, F. 2020. “Target identification among known drugs by deep learning from heterogeneous networks”. Chemical Science, 11(7), 1775-1797.