Geleneksel ilaç geliştirme süreci; yıllar süren araştırma, milyarlarca dolarlık yatırım ve son derece yüksek başarısızlık oranlarıyla tanımlanan bir alandır. Yeni bir molekülün laboratuvar tezgâhından onaylı bir ilaca dönüşmesi ortalama 10 ila 15 yıl alırken bu sürecin maliyeti 2 milyar doları aşmaktadır. Üstelik klinik deneylere giren adayların yalnızca yaklaşık yüzde onu piyasaya çıkabilmektedir. Bu tablonun karşısında yapay zeka ve makine öğrenmesi teknolojileri, biyomedikal araştırmanın tarihinde görülmemiş bir hızlanmayı mümkün kılmaktadır. Özellikle AlphaFold2 ve büyük dil modelleri (LLM’ler), ilaç keşif sürecinin neredeyse her aşamasını kökten yeniden şekillendirmeye başlamıştır.
Protein Yapısı Sorununu Çözen Devrim: AlphaFold2
İlaç keşfinin temel meselelerinden biri, hedef proteinin üç boyutlu yapısını anlamaktır. Bir proteinin amino asit dizisinden hareketle nasıl katlandığını tahmin etmek — “protein katlama problemi” olarak bilinen bu sorun — biyolojinin son elli yılının en zorlu bulmacalarından biriydi. 2021 yılında DeepMind’ın geliştirdiği AlphaFold2, bu problemi çözdüğünü açıkladığında bilim dünyasında gerçek bir sarsıntı yaşandı.
AlphaFold2, derin öğrenme mimarisine dayanan transformatör tabanlı bir modeldir. Yüz milyonlarca bilinen protein sekansı üzerinde eğitilen model, insan proteomundaki 200.000’den fazla proteinin yapısını atomik düzeyde yüksek doğrulukla tahmin etmiştir. Üstelik DeepMind bu veritabanını açık erişime sunarak tüm araştırma dünyasının kullanımına açmıştır. Bugün itibarıyla AlphaFold veritabanı 214 milyonu aşkın protein yapısını barındırmaktadır.
Bu gelişmenin ilaç keşfi açısından önemi son derece büyüktür. Bir proteinin yapısını bilmek demek, ilaç molekülünün o proteine nerede ve nasıl bağlanacağını tasarlamak demektir. Geleneksel yapı belirleme yöntemleri olan X-ışını kristalografisi veya kriyoelektron mikroskobu yıllarca sürebilir ve son derece maliyetlidir. AlphaFold2 ise aynı tahminleri saatler içinde, ücretsiz olarak gerçekleştirmektedir. Hesaplamalı ilaç tasarımında bu kaynağa erişmek, araştırmacılara daha önce hiç dokunulamayan hedefleri keşfetme kapısını açmaktadır.
Bununla birlikte AlphaFold2’nin sınırlamalarını da görmek gerekmektedir. Model, statik bir protein yapısı sunar; proteinin hücre içindeki dinamik hareketlerini, konformasyonel değişikliklerini ya da diğer moleküllerle etkileşimini tam olarak yansıtmaz. Bu nedenle AlphaFold2 çıktıları başlangıç noktası olarak son derece değerli olmakla birlikte, deneysel doğrulama vazgeçilmez olmaya devam etmektedir.
LLM’ler ve Kimyasal Dil: Moleküler Tasarımda Yeni Bir Çağ
Büyük dil modelleri ilk bakışta ilaç kimyasıyla alakasız görünebilir. Oysa moleküller, tıpkı doğal diller gibi kurallara göre organize olan sembolik sistemlerdir. SMILES (Simplified Molecular Input Line Entry System) notasyonu, kimyasal yapıları bir metin dizisi olarak temsil etmeyi mümkün kılar. Bu özelliği keşfeden araştırmacılar, GPT benzeri dil modellerini kimyasal bileşikler üzerinde eğiterek yepyeni bir alan açmıştır: jeneratif moleküler tasarım.
Bu yaklaşımda model, var olan ilaç benzeri moleküllerin milyonlarcasını “okuyarak” kimyasal dili öğrenir. Ardından araştırmacının belirlediği hedef özelliklere — belirli bir proteini bağlama gücü, toksisite eşiği, oral biyoyararlanım — sahip yeni moleküller üretebilir hale gelir. Insilico Medicine, bu teknolojiyi kullanarak idiyopatik pulmoner fibroz için yeni bir ilaç adayı geliştirmiş ve molekülün klinik deneylere girmesini sürpriz biçimde hızlandırmıştır. Keşiften Faz I klinik deneyine geçiş süresi geleneksel yolun çok altında kalmıştır.
Bu alanda öne çıkan bir diğer model ise ESM-2 (Evolutionary Scale Modeling) ve onun türevi olan ESMFold‘dur. Meta AI tarafından geliştirilen bu model, 250 milyondan fazla protein sekansı üzerinde eğitilmiş olup AlphaFold2’ye yakın doğrulukta yapı tahmini yapabilmektedir. LLM’lerin bu biyolojik uygulaması, proteomik verilerin yorumlanmasında ve yeni protein varyantlarının tasarımında giderek daha belirleyici bir rol üstlenmektedir.
Hedef Tanımlama ve Çoklu Omik Veri Analizi
İlaç keşfinin ilk adımı, bir hastalıkta hangi biyolojik hedefin müdahale için uygun olduğunu belirlemektir. Bu aşama, geleneksel olarak yıllarca süren temel biyoloji araştırmalarını gerektirmektedir. Makine öğrenmesi ise çoklu omik veri — genomik, transkriptomik, proteomik, metabolomik — akışlarını eş zamanlı analiz ederek bu süreci dramatik biçimde hızlandırmaktadır.
Derin öğrenme modelleri, tümör hücrelerindeki gen ekspresyon profillerini analiz ederek hangi proteinlerin hastalık mekanizmasında kilit rol oynadığını tahmin edebilmektedir. Grafik sinir ağları (GNN’ler), protein-protein etkileşim ağlarını modelleyerek ilaç etkisinin hücresel düzeydeki yayılımını simüle etmektedir. Bu sayede bir ilacın istenmeyen yan etkileri klinik öncesinde çok daha güvenilir biçimde öngörülebilmektedir.
BenevolentAI şirketinin COVID-19 pandemisinin ilk aylarında gerçekleştirdiği çalışma bu potansiyelin çarpıcı bir örneğidir. Şirket, yapay zeka platformunu kullanarak mevcut onaylı ilaçlar arasından baricitinib’in SARS-CoV-2 enfeksiyonuna karşı potansiyel etkinliğe sahip olabileceğini birkaç gün içinde tespit etmiştir. İlaç daha sonra klinik çalışmalarla doğrulanmış ve ciddi COVID-19 vakalarında kullanım onayı almıştır.
İlaç Yeniden Konumlandırma: Eski İlaçlara Yeni Hayat
Mevcut ilaçların farklı hastalıklarda kullanılması fikri — ilaç yeniden konumlandırma — hem maliyeti hem de süreyi önemli ölçüde azaltmaktadır. Çünkü yeniden konumlandırılan bir molekülün güvenlik profili zaten bilinmektedir. Yapay zeka bu stratejiyi ölçeklendirilmiş ve sistematik bir hale getirmiştir.
Bilgi grafikleri üzerinde çalışan makine öğrenmesi modelleri, hastalıklar, genler, proteinler ve ilaçlar arasındaki milyonlarca ilişkiyi aynı anda değerlendirerek daha önce fark edilmemiş bağlantıları gün yüzüne çıkarabilmektedir. Standford Üniversitesi‘nden araştırmacılar bu yaklaşımla yüzlerce nadir hastalık için mevcut ilaç adayları belirlemiştir. Özellikle hasta popülasyonlarının küçük olduğu nadir hastalıklarda sıfırdan ilaç geliştirmek ekonomik olarak güçtür; bu nedenle yeniden konumlandırma yapay zekanın en doğrudan değer yarattığı alanlardan birini oluşturmaktadır.
Klinik Deneyler ve Hasta Seçimi
Yapay zekanın ilaç sürecine katkısı yalnızca keşif aşamasıyla sınırlı değildir. Klinik deney tasarımı ve hasta seçimi de dönüşmektedir. Klinik deneylerin başarısızlıklarının önemli bir bölümü, yanlış hasta popülasyonu seçiminden kaynaklanmaktadır. Bir ilaç, doğru biyobelirteçlere sahip bir alt grup için etkili olabilirken genel popülasyonda etkisiz görünebilir.
Makine öğrenmesi modelleri, elektronik sağlık kayıtları, görüntüleme verileri ve genetik bilgileri birleştirerek hangi hastaların belirli bir tedaviye yanıt vereceğini öngörmektedir. Bu, hem daha küçük ve daha odaklı deney gruplarını mümkün kılmakta hem de deneyin toplam maliyetini ve süresini azaltmaktadır. Aynı zamanda etik açıdan önemli bir fayda sağlamaktadır: Etkisiz kalacak bir tedaviye maruz kalan hasta sayısı minimuma inmektedir.
Zorluklar ve Sınırlılıklar
Tüm bu ilerlemelere karşın yapay zekanın ilaç keşfindeki rolü hâlâ gelişmektedir ve kritik sınırlılıklar mevcuttur. Eğitim verisi kalitesi belirleyici bir sorun olmaya devam etmektedir; ilaç geliştirme verilerinin büyük bölümü şirketlerin bünyesinde gizli kalmakta ya da yayın yanlılığından etkilenmektedir. Modeller yalnızca başarılı deneylerin verilerini görüyor olabilir; bu durum negatif sonuçların sistematik biçimde göz ardı edilmesine yol açmaktadır.
Açıklanabilirlik bir diğer kritik meseledir. Kara kutu olarak çalışan derin öğrenme modelleri, neden belirli bir molekülü önerdiğini araştırmacıya açıklayamaz. Düzenleyici otoriteler ise karar süreçlerinin şeffaf ve denetlenebilir olmasını talep etmektedir. Bu gerilim, yapay zekanın klinik süreçlere entegrasyonunun önündeki en büyük kurumsal engellerden birini oluşturmaktadır.
Son olarak doğrulama boşluğu sorununu belirtmek gerekmektedir. Modelin önerdiği yüzlerce aday molekülden kaçının gerçekten kliniklere taşınacağı henüz netlik kazanmamıştır. Yapay zekanın ilaç geliştirme süresini ve maliyetini gerçekte ne ölçüde azalttığına dair kapsamlı veriler ancak önümüzdeki on yılda birikecektir.
Türkiye’nin Bu Alandaki Konumu
Türk ilaç sektörü ve akademisi, yapay zeka destekli ilaç keşfine yönelik ilgisini giderek artırmaktadır. TÜBİTAK fonlamasıyla yürütülen hesaplamalı biyoloji projeleri ve Hacettepe, Boğaziçi ve İTÜ gibi köklü üniversitelerin biyoinformatik programları, bu alandaki yerli kapasitenin temelini oluşturmaktadır. Ancak veri altyapısı, endüstri-akademi işbirliği ve yüksek performanslı hesaplama kapasitesi bakımından önemli açıklar sürmektedir. Küresel yarışta yerini almak isteyen Türkiye için bu alanda stratejik yatırımlar belirleyici olacaktır.
Sık Sorulan Sorular
1. AlphaFold2 protein yapılarını tahmin etmede ne kadar doğrudur?
AlphaFold2, CASP14 yarışmasında atom seviyesinde doğruluk gerektiren görevlerde deneysel yöntemlere yakın sonuçlar üretmiştir. Ancak doğruluk proteinden proteine değişmektedir; düzensiz bölgeler ve membrana bağlı proteinler daha düşük güven skorlarıyla tahmin edilmektedir. Bu nedenle sonuçların deneysel olarak doğrulanması hâlâ önem taşımaktadır.
2. LLM’ler gerçekten yeni ilaç molekülleri tasarlayabilir mi?
Evet, ancak bağlamı doğru anlamak gerekmektedir. Kimyasal LLM’ler jeneratif modeller olarak çalışır ve istenilen özelliklere sahip yeni SMILES dizileri — dolayısıyla yeni moleküler yapılar — üretebilir. Fakat bu modellerin önerdiği moleküllerin büyük çoğunluğu biyolojik testlerde elenmektedir. Modelin değeri, keşfedilecek kimyasal uzayı daraltması ve deneysel süreçleri önceliklendirmesidir.
3. Yapay zeka ilaç keşfinde insanın yerini alacak mı?
Kısa ve orta vadede hayır. Yapay zeka araştırmacının yerini almak yerine onun kapasitesini çoğaltmaktadır. Hipotez üretimi, veri yorumlama, deneysel tasarım ve etik değerlendirme aşamalarında insan uzmanlığı vazgeçilmez olmaya devam etmektedir. Yapay zekanın en güçlü olduğu alan ise büyük ölçekli veriden anlamlı örüntüler çıkarmaktır.
4. Bu teknolojiler nadir hastalıklara (yetim ilaçlar) nasıl katkı sağlıyor?
Nadir hastalıklar geleneksel ilaç geliştirme modelinde ekonomik olarak sürdürülmesi güç projelerdir. Yapay zeka, mevcut onaylı ilaçları hızlıca yeniden konumlandırarak ve küçük hasta popülasyonlarında klinik deneyleri daha verimli tasarlayarak bu alandaki en somut potansiyeli sunmaktadır. Yetim ilaç geliştirme süreçlerinde yapay zekanın rolü giderek büyümektedir.
5. Düzenleyici otoriteler yapay zeka destekli ilaçlara nasıl yaklaşıyor?
FDA ve EMA bu alanda aktif çalışmalar yürütmektedir. FDA’nın yapay zeka/makine öğrenmesi tabanlı yazılım tıbbi cihazları için yayımladığı eylem planı ve EMA’nın yapay zeka kullanım ilkeleri, düzenleyici çerçevenin şekillendiğine işaret etmektedir. Şeffaflık, doğrulanabilirlik ve model güvenilirliği regülasyonun odak noktalarını oluşturmaktadır.
İleri Okuma Tavsiyeleri
- Jumper, J. et al. (2021). “Highly accurate protein structure prediction with AlphaFold.” Nature, 596, 583–589. — AlphaFold2’nin orijinal bilimsel makalesi; modelin mimarisini ve doğrulama süreçlerini ayrıntılı biçimde ele almaktadır.
- Stokes, J. M. et al. (2020). “A Deep Learning Approach to Antibiotic Discovery.” Cell, 180(4), 688–702. — MIT ekibinin makine öğrenmesi ile halicin adlı yeni antibiyotiği keşfettiği çığır açıcı çalışma.
- Vamathevan, J. et al. (2019). “Applications of machine learning in drug discovery and development.” Nature Reviews Drug Discovery, 18, 463–477. — Alanın kapsamlı ve erişilebilir bir özeti; makine öğrenmesi uygulamalarının ilaç sürecindeki her aşamasını sistematik biçimde ele almaktadır.








