Yapay Zeka ve İlaç Keşfi

Yapay Zeka tabanlı çözümler hayatın her alanına etkin katkılarda bulunmaktadır. Özellikle sağlık alanı, teknolojinin odak noktasındaki kritik alanlardan biri olması itibariyle, Yapay Zeka ile her zaman güçlü ilişkiler içerisinde yer almıştır. Bu bağlamda, Yapay Zeka’nın ulaştığı güncel düzey olan Derin Öğrenme, -yirmibirinci yüzyılın daha ilk çeyreği bitmeden- sağlık uygulamalarındaki dönüm noktası niteliğindeki çözümleriyle ön plana çıkmaktadır. Özellikle insan-makine karşılaştırmalarını alevlendiren; yüksek başarımlı hastalık tespitleri, robot destekli ameliyatlar, kanserin erken teşhisi ve ilaç keşiflerine yönelik çözümler, sağlıkta Derin Öğrenme çözümlerini sansasyonel seviyelere ulaştırmıştır (Douissard vd., 2019; Huang vd., 2023; Li vd., 2019; Morris vd., 2023; Nag vd., 2022; Shen vd., 2019). Bu çözümler içerisinde, hastalıklarla mücadelenin merkezinde yer alan ilaç keşfi çalışmaları, özellikle son yıllarda daha fazla ivme kazanmıştır. Dinamizm içerisindeki hastalıklar, ilaç geliştirmede hızlı ve etkin sonuç ihtiyacı, ekonomik sebepler ve hatta tecrübe edilen COVID-19 salgınından çıkarılan dersler, Derin Öğrenme ile ilaç keşfi araştırmalarının katalizörü olmuştur (Bano vd., 2023; Floresta vd., 2022; Kumar vd., 2022; Luo vd., 2022; Subbiah, 2023).

Yeni bir ilacın keşfi ve geliştirilmesi, yıllara yayılan, oldukça maliyetli bir süreç olarak bilinmektedir (Chan vd., 2019; Çelik vd., 2021). Araştırmalar, ilaç keşfi Ar-Ge harcamalarının ortalama 2.8 milyar Amerikan dolarına kadar çıktığını ve bütün geliştirme sürecinin ortalama 12-14 yıl sürdüğünü rapor etmektedir (DiMasi vd., 2016; Lim, 2023; Sarkar vd., 2023; Wouters vd., 2020; Chang vd., 2023). Kullanılabilir ilacı elde etmek, biyolojik canlı içerisindeki her türlü engelin, olası farklılıkların, ilaç bileşenleri arası etkileşimlerin ve her zaman başarıya ulaşmayan çok sayıda klinik deneyin dikkate alınmasını gerektirmektedir (Bruno vd., 2019; Lo vd., 2019). İşte bu noktada Yapay Zeka özelindeki Derin Öğrenme, zaman, maliyet ve başarı açısından geleneksel çözümlere üstünlük sağlayan bir araç haline gelmiştir (Chen vd., 2018; Çelik vd., 2021; Schneider vd., 2020). Derin Öğrenme teknikleri sayesinde ilaç keşfine önderlik eden verilerdeki örüntülerin daha etkin analizi sağlanmakta; böylelikle aşı geliştirme süreçleri desteklenmekte (Yang vd., 2021), hatta protein yapısı tahmin probleminin çözülmesi (Service, 2020) gibi dikkat çekici gelişmeler yaşanmaktadır. Neticede ilaç şirketlerinde Yapay Zeka uygulamalarına doğru bir geçiş yaşanmakta, 2024 yılı itibariyle 5 milyar Amerikan doları pazara sahip olacağı öngörülen Yapay Zeka’nın, sağlık ve farmakoloji alanında yeniden şekillenmede rol oynayacağı değerlendirilmektedir (Sarkar vd., 2023).

Kaynakça

• Bano, I., Butt, U. D., Mohsan, S. A. H. 2023. “New challenges in drug discovery”. In Novel Platforms for Drug Delivery Applications (pp. 619-643). Woodhead Publishing.
• Bruno, A., Costantino, G., Sartori, L., Radi, M. 2019. “The in silico drug discovery toolbox: applications in lead discovery and optimization”. Current Medicinal Chemistry, 26(21), 3838-3873.
• Chan, H. S., Shan, H., Dahoun, T., Vogel, H., Yuan, S. 2019. “Advancing drug discovery via artificial intelligence”. Trends in Pharmacological Sciences, 40(8), 592-604.
• Chang, Y., Hawkins, B. A., Du, J. J., Groundwater, P. W., Hibbs, D. E., Lai, F. 2023. “A Guide to In Silico Drug Design”. Pharmaceutics, 15(1), 49.
• Çelik, İ. N., Arslan, F. K., Tunç, R., Yıldız, İ. 2021. “İlaç keşfi ve geliştirilmesinde yapay zekâ”. Journal of Faculty of Pharmacy of Ankara University, 45(2), 17-17.
• DiMasi, J. A., Grabowski, H. G., Hansen, R. W. 2016. “Innovation in the pharmaceutical industry: new estimates of R&D costs”. Journal of Health Economics, 47, 20-33.
• Douissard, J., Hagen, M. E., Morel, P. 2019. “The da Vinci surgical system”. Bariatric robotic surgery: a comprehensive guide, 13-27.
• Floresta, G., Zagni, C., Gentile, D., Patamia, V., Rescifina, A. 2022. “Artificial Intelligence Technologies for COVID-19 De Novo Drug Design”. International Journal of Molecular Sciences, 23(6), 3261.
• Huang, R., Li, H., Suomi, R., Li, C., Peltoniemi, T. 2023. “Intelligent Physical Robots in Health Care: Systematic Literature Review”. Journal of Medical Internet Research, 25, e39786.
• Kumar, S. A., Ananda Kumar, T. D., Beeraka, N. M., Pujar, G. V., Singh, M., Narayana Akshatha, H. S., Bhagyalalitha, M. 2022. “Machine learning and deep learning in data-driven decision making of drug discovery and challenges in high-quality data acquisition in the pharmaceutical industry”. Future Medicinal Chemistry, 14(4), 245-270.
• Li, Y., Huang, C., Ding, L., Li, Z., Pan, Y., Gao, X. 2019. “Deep learning in bioinformatics: Introduction, application, and perspective in the big data era”. Methods, 166, 4-21.
• Lim, S. 2023. “The Process and Costs of Drug Development 2022”. FTLO Science. Çevrimiçi: https://ftloscience.com/process-costs-drug-development/ Son erişim tarihi: 13 Mart 2023.
• Lo, Y. C., Ren, G., Honda, H., Davis, K. L. 2019. Artificial intelligence-based drug design and discovery. Cheminformatics and Its Applications. InTech Open.
• Luo, Y., Wunderink, R. G., Lloyd-Jones, D. 2022. “Proactive vs reactive machine learning in health care: lessons from the COVID-19 pandemic”. JAMA, 327(7), 623-624.
• Morris, M. X., Rajesh, A., Asaad, M., Hassan, A., Saadoun, R., Butler, C. E. 2023. “Deep learning applications in surgery: Current uses and future directions”. The American Surgeon, 89(1), 36-42.
• Nag, S., Baidya, A. T., Mandal, A., Mathew, A. T., Das, B., Devi, B., Kumar, R. 2022. “Deep learning tools for advancing drug discovery and development”. 3 Biotech, 12(5), 110.
• Sarkar, C., Das, B., Rawat, V. S., Wahlang, J. B., Nongpiur, A., Tiewsoh, I., …, Sony, H. T. 2023. “Artificial Intelligence and Machine Learning Technology Driven Modern Drug Discovery and Development”. International Journal of Molecular Sciences, 24(3), 2026.
• Schneider, P., Walters, W. P., Plowright, A. T., Sieroka, N., Listgarten, J., Goodnow, R. A., …, Schneider, G. 2020. “Rethinking drug design in the artificial intelligence era”. Nature Reviews Drug Discovery, 19(5), 353-364.
• Service, R. F. 2020. “‘The game has changed.’AI triumphs at protein folding”. Science. 370(6521), 1144-1145.
• Shen, L., Margolies, L. R., Rothstein, J. H., Fluder, E., McBride, R., Sieh, W. 2019. “Deep learning to improve breast cancer detection on screening mammography”. Scientific Reports, 9(1), 12495.
• Subbiah, V. 2023. “The next generation of evidence-based medicine”. Nature Medicine, 29, 49-58.
• Wouters, O. J., McKee, M., Luyten, J. 2020. “Estimated research and development investment needed to bring a new medicine to market, 2009-2018”. JAMA, 323(9), 844-853.
• Yang, Z., Bogdan, P., Nazarian, S. 2021. “An in silico deep learning approach to multi-epitope vaccine design: a SARS-CoV-2 case study”. Scientific Reports, 11(1), 1-21.