arama

İlaç Keşiflerinde Yapay Zekâ Devrimi Başlıyor!

Yapay Zekâ (AI) & Makine Öğrenmesi (ML) teknolojilerinin yaptığı devrim ile ilaç keşifleri de yepyeni bir boyut kazanıyor.
İlaç Keşfinde Yapay Zekâ Devrimi Başlıyor!
  • paylaş
  • paylaş
  • paylaş
  • paylaş
  • paylaş
  • Arş. Gör. Burak Berber Arş. Gör. Burak Berber

⌛ Tahmini okuma süresi: 5 dakika

Yayınlanma Tarihi: 30 Haziran 2019 13:55

📝 Yazar: Arş. Gör. Burak Berber ✅ Editör: Aysuda Ceylan

Günümüzün en çok konuşulan teknolojilerinden olan yapay zekâ ve makine öğrenmesi sistemlerinin biyoloji ve farmakoloji gibi alanlarda da gelişim göstermesi kaçınılamazdı. Durum böyleyken, “Bilişimsel Biyoloji” dediğimiz kavram ile ilaç keşifleri de yeni bir boyut kazanmış oldu. Artık doğru hedef belirleme, maliyet düşürme ve zaman tasarrufu yapma gibi önemli noktalarda bu gelişmiş teknolojiler yardımımıza koşarak, daha sağlam adımlar atmamızı sağlayacaklar.

Geliştirilen projelerde; elde edilen veri kadar, o verinin daha sağlıklı yorumlanması gerektiği hususu da bir hayli önem arz etmektedir.

Özellikle hücre kültürü çalışmalarında sentez edilen kimyasal molekül; belirli dozlarda hücrelere verilerek, herhangi bir etkisi olup olmadığı gözlenmektedir. Hatta araştırmacılar geçmiş çalışmalardan yola çıkarak etki mekanizmasının hangi gen ya da protein üzerinde olduklarını ortaya koymaya çalışırlar. Takdir edersiniz ki bu tarz çalışmalar yüksek maliyetli olmakla beraber, hedef protein ya da geni bulma ihtimaliniz de oldukça düşük olabilir.

Yaptığımız çalışmalar sonucunda; QSAR (Quantitative Structure-Analysis Relationship), ADME (Adsorption, Distribution, Metabolism, and Excretion), ve Bioactivity Score gibi analizlerin deneysel verilerle sunulduğunu ve bu durumda ortaya çıkan tartışmanın çok daha etkili olduğu belirlenmiştir. Tabii bu alanla ilgilenmiyorsanız aklınıza ilk gelen şey, bahsi geçen analizlerin ne anlama geldiğidir. Daha anlaşılır olması açısından şu şekilde tarif edilebilir: Diyelim ki elinizde bir molekül var buna “R” grubu adı verilmiş olsun. Bu R grubuna farklı pozisyonlardan eklediğiniz ek bileşikler ile birlikte R1, R2, R3, R4, R5 sentezlerini elde ettiniz ve bu bileşiklerin her birinin kimyasal olarak yapısal özelliklerinde farklılıklar oluştu (Aslında ana omurga aynı olmasına rağmen bileşiklerin etki mekanizması değişecektir). İşte bu oluşan farklı yapısal özelliklere “Descriptors (tanımlayıcı, değişken)” adı veriliyor. (2 ila 3 binden fazla değişken analinizini internet üzerinden E-Dragon, OCHEM gibi veri tabanlarından ücretsiz analiz edebilirsiniz.) Tabii bu değişkenler çeşidine göre 1D, 2D, 3D, 4D (boyutlu) olabiliyor. Ayrıntılı okuma yapmak isteyenler atıftaki makaleyi okuyabilir [1].

Kimyasal moleküllerinizin yapısal özelliklerini artık biliyorsunuz. Deneysel olarak hücre kültüründe moleküllerinizi denedikten sonra IC50 (Kanserli hücre hatlarında hücrelerin ölmesini sağlayan en düşük doz) dozunuzu belirleyip, logaritmasını alarak PIC50 sonucunu çıkartmalısınız. 5 farklı molekülün de PIC50 sonucu farklı çıkma olasılığı yüksektir. QSAR analizi burada devreye giriyor. Hücre toksisitesindeki değişimler (PIC50)  ile aynı oranda değişen kimyasal özellikler nedir bunun belirlenmesi sağlanıyor. Bu noktada herhangi bir QSAR programı ya da istatistik programı kullanarak “Multiple Lineer Regression” analizi yapmanız gerekiyor. Bu analiz sonucunda değişkenleriniz ne kadar birbirine yakınsa hangi kimyasal değişimlerin sonuca etki ettiğini ortaya çıkarabiliyorsunuz[2].


Şekil 1. İlaç hedefi için kullanabileceğiniz yararlı programlar [3].

ADME analizleri sonucunda; ilaç adayı olan molekülün bağırsaktan emilim ihtimalini, suda çözünme oranını, kan-beyin bariyerinden geçebileceğini ya da Sitokrom-p450 ve türevleri gibi karaciğer enzimleri ile nasıl bir etkileşime gireceğini analiz edebiliyorsunuz. Aynı zamanda bir molekülün ilaç olabilmesi için belirlenmiş olan Lipinski, Veber gibi kurallara da uyumluluğu belirlenmiş oluyor [4,5]. Biyoaktivite Skor programları ise size yapısı bilinen proteinler ile molekülünüzün tahmini etkileşimini ortaya çıkarabiliyor [6].


Şekil 2. Makine öğrenmesi ile birlikte keminformatik analiz [1]

Bahsedilen bu gelişmiş analizler, son yıllarda yoğun bir şekilde yapılmakta olup, gelişen teknoloji ve veri bankacılığı sayesinde ilaç analizleri artık farklı bir boyut kazanıyor. Makine Öğrenmesi (Machine Learning) ve Yapay Zekâ (Artificial Intelligence) sistemlerinin desteğiyle bu programların kullanımı ve tahmin kapasitesi çok daha üst düzeye çıkacaktır. Gelecekte, lineer regresyon analizlerinin yerini “non-lineer regression” analizleri alacak ve deney yapmadan da moleküllerin tahmini hedef noktaları çok yüksek doğrulukla belirlenebilecektir. Yani programlar size binlerce sentezi yapay olarak sentezleyip, bu sentezlerin hangilerinin daha etkili ve nasıl bir etki mekanizmasının olduğunu ortaya koyabilecek. Bu analizler çok büyük maliyet ve zaman kaybının da önüne geçecektir. İşte tam da bu yüzden genç arkadaşlarımızın hangi alanda çalışıyor olurlarsa olsunlar, yapay zekâ ve makine öğrenmesi gibi geleceğin gelişmiş teknolojilerini öğrenmeleri gerekiyor.

“Molecular Docking” vb. hedefe yönelik gelişmiş analizler ilaç keşiflerinde rol alacak ve gelecek bu yönde ilerleyecektir.

Bilimle kalın!

İleri Okuma

  • [1]         Y.C. Lo, S.E. Rensi, W. Torng, R.B. Altman, Machine learning in chemoinformatics and drug discovery, Drug Discov. Today. 23 (2018) 1538–1546. doi:10.1016/j.drudis.2018.05.010.
  • [2]         S.P. Leelananda, S. Lindert, Computational methods in drug discovery., Beilstein J. Org. Chem. 12 (2016) 2694–2718. doi:10.3762/bjoc.12.267.
  • [3]         T. Katsila, G.A. Spyroulias, G.P. Patrinos, M.T. Matsoukas, Computational approaches in target identification and drug discovery, Comput. Struct. Biotechnol. J. 14 (2016) 177–184. doi:10.1016/j.csbj.2016.04.004.
  • [4]         C.A. Lipinski, F. Lombardo, B.W. Dominy, P.J. Feeney, Experimental and computational approaches to estimate solubility and permeability in drug discovery and development settings, Adv. Drug Deliv. Rev. (2012). doi:10.1016/j.addr.2012.09.019.
  • [5]         A. Daina, O. Michielin, V. Zoete, SwissADME: a free web tool to evaluate pharmacokinetics, drug-likeness and medicinal chemistry friendliness of small molecules, Sci. Rep. (2017). doi:10.1038/srep42717.
  • [6]         P. Ertl, Calculation of Molecular Properties and Bioactivity Score, © Molinspiration Cheminformatics. (2002).

Bilimsel gelişmelerden anlık haberdar olmak için Telegram kanalımıza abone olabilirsiniz.