Günümüzde ilaç ve aşı çalışmaları yapay zekâ olarak adlandırdığımız çalışmalar çerçevesinde yoğunlaşmaktadır. İlaç çalışmaları yalnızca ilaç geliştirme olarak düşünülmemeli, moleküler biyoloji çalışmaları olarak da düşünülmelidir.
İlaç üretim maliyetlerine bakıldığında 1950’lerde 1 milyar dolarlık bütçelerle 100’e yakın ilaç geliştirmenin mümkün olabildiği görülmektedir. Daha sonralarda, 1970’li yıllarda, Talidomid faciasından (gebelerin bulantı önleyici olarak ilacı kullanmaları sonucu bebeklerde tespit edilen çeşitli ciddi doğumsal anomaliler) sonra ilaç geliştirme sürecinde ArGe ve klinik çalışmalara çok daha fazla ağırlık verilmiştir. Dolayısıyla artan ilaç geliştirme maliyetleri ile günümüzde bir ilacın ortalama üretim maliyeti 1,5-2 milyar dolarlık devasa rakamlara ulaşmış, geliştirme süresi de 10 yıllara ulaşmıştır.
İlaç üretim sürelerine bakıldığında; bir ilacın molekülünün tespitinden piyasaya çıkışına kadar geçen sürenin yaklaşık 8-10 yıl kadar olması normal olarak kabul edilmekteydi. Fakat Covid-19 salgınının çıkışıyla, acil ihtiyaç onayları ile, aşı geliştirme süreçlerini hızlandırılmak mecburiyeti oluştu. Üretim sürecindeki bu hızlanma Faz 1, Faz 2 ve Faz 3 çalışmalarının sıkıştırılmış şekilde yürütülmesi ile mümkün kılınmıştır. Normal şartlarda ilaçların piyasaya sürülmeden önce: molekül tasarımı ve seçimi, in vitro çalışmalar olarak adlandırdığımız laboratuvarda uzmanlar tarafından gerçekleştirilen toksisite ve etkinlik çalışmaları, in vivo çalışmalar olarak adlandırdığımız hayvan deneyleri ve son olarak da insanlar üzerinde yapılan deneyleri kapsayan Faz 1, Faz 2 ve Faz 3 çalışma süreçlerini tamamlanmış olması gerekmektedir.
İlaç olarak kullanılabilecek potansiyel molekül cinsi ve sayısı çok fazladır. Molekül uzayı içinden hedeflenen hastalık için hangi moleküllerin seçileceği önemli ve zor bir sorundur. İlaç tasarımı, molekül uzayında bulunan moleküllerden etkili olabileceği düşünülen bir kaç molekülü seçebilmek için yapılmaktadır. Uygun molekül seçim süreci, maliyet ve sürenin kısaltılması ilaç endüstrisinin üzerinde titizlikle çalıştığı önemli bir konudur. Bu metotlardan bir tanesi bahsedilen molekül uzayından en uygun molekülün hesaplamalı yöntemlerle seçilmesidir. Diğer bir metot ise hâlihazırda onaylanmış endikasyonu olan ilaçların farklı endikasyonlarının bulunmasıdır. Onay almış moleküller toksisite açısından geniş kitleler üzerinde uzun yıllar başka maksatlar için de olsa denenmiş olduğundan, farklı endikasyonlar için çok daha kısa sürede kullanım onayı alabilmektedir (drug repurposing). Süreci hızlandırabilecek diğer bir metot da doku etkileşiminin bir çip (organ on a chip) ortamında yapılmasıdır. Burada başvurulan yöntem; hayvan deneyleri yerine toksisite ve doku etkileşimi deneylerinin insan vücudundaki fizyolojik ortamın taklit edildiği bir çip ortamında yapılmasıdır. Son zamanlarda uygulamaya geçmiş olan bu yöntem de ilaç geliştirme sürecini kısaltan metotlardan biridir.
Fizyolojik süreçler algoritmik hesaplamalardan ibarettir. Fizyolojik süreçlerin arkasındaki kodlar ve algoritma iyi anlaşılıp matematiksel olarak iyi modellendiği takdirde insan vücudunda ve diğer canlılarda gerçekleşen fizyolojik olayları anlayabilmek mümkün görünmektedir.
TÜBİTAK’ta ilaç tasarımı ve aşı çalışmalarında genellikle yapay zekâ ve kuantum hesaplamaları yöntemleri kullanılmaktadır.
Derin Sinir Ağları (Deep Neural Networks)
Yapay zekâ uygulamalarından olan “Deep Neural Networks (DNN)” adı verilen “Derin Sinir Ağları” ilaç molekülü tasarımında ve moleküler biyoloji modellemelerinde kullanılmaktadır. Sinir ağlarını oluşturan birim elemanları nöronlardır. Sinir ağı belirli bir mimaride yapılanmış pek çok nörondan oluşmaktadır. Girişi oluşturan nöronlar dizisi (input), girişten sonra hesaplamaların yapıldığı ve pek çok nörondan oluşan katmanlar (hidden layers) ve çıkış (output) katmanı bulunmaktadır. Sinir ağları denilmesinin sebebi ise nöronlara benzerliğinden dolayıdır. Nöronların giriş sinyalleri bulunmaktadır. Bunlar belirli ağırlıklarla çarpılarak bir çıktıya ulaşılmaktadır. Bilinen veri setleri ile yapay sinir ağları eğitilerek (training), bilinmeyen yeni bir veri setinin (bu örnekte yeni bir ilaç molekülü) özellikleri tahmin edilebilmektedir.
1980-90’lı yıllarda bilgisayarların hesaplama kapasitesi çok kısıtlı olduğu için ancak az sayıda nöron içeren, küçük sinir ağları ile çalışma yapılmaktaydı. Günümüzde bilgisayarların hesaplama kapasitelerinin ve veri setlerinin artması sonucunda yapay sinir ağları, ilaç geliştirme ile birlikte, bir görseldeki cisimlerin ayırt edilmesi, ses tanıma, otonom araçlar gibi birçok alanda kullanılarak yaygınlaşmıştır.
Moleküler Yapının Anlaşılmasında Kuantum Hesaplamaları
Moleküllerin diğer moleküller ile etkileşimi, kendilerini çevreleyen elektron bulutu (electronic structure) ile mümkün olmaktadır. Dolayısıyla elektronik yapı probleminin çözülmesi molekül geliştirmesinde önemlidir. Elektronik yapı kuantum mekaniğinde Schrodinger denkleminin çözülmes ile belirlenebilmektedir. Schrodinger denklemi kuantum mekaniğinin temel denklemidir. Günümüz biliminde tabiat olaylarını açıklayan en temel teori kuantum mekaniğidir.
Moleküler olaylar kuantum mekanik prensiplerine göre çalıştığı için, kuantum mekanik kanunlarına göre çalışan bir bilgisayarın oluşturulabildiği durumda moleküler sistemlerin de bu bilgisayarlarla simüle edilebileceği fikri ilk olarak 1981 yılında Richard Feynman tarafından ortaya atılmıştır. Fakat o günün şartlarında bu şekilde bir bilgisayar yapmak mümkün değildi.
Klasik bilgisayarların ve kuantum bilgisayarlarının prensiplerinde farklılıklar bulunmaktadır. Klasik bilgisayarlarda oluşturulan 0 ve 1’ler bilgisayar kodlarının temellerini oluşturmaktadır. Kodlamanın bilgi taşıyan en küçük bilgi birimi olan bu 0 ve 1’lere “bit” ismi verilmektedir. Kuantum bilgisayarlarında ise bilgi taşıyan en küçük bilgi birimine “qubit” denmektedir. Qubitler, bitlerden farklı olarak 0 veya 1 halinde olabildikleri gibi bunların arasında farklı bir halde de olabilmektedir. Bu durum “superposition” olarak adlandırılmaktadır. Kuantum bilgisayarları her problemi klasik bilgisayarlara göre daha hızlı çözemezler. Bazı problemler kuantum metotlarıyla çözülebilirken bazı problemler klasik bilgisayarlarla çözülebilmektedir.
Kuantum bilgisayarları klasik dünyada olmayan iki özelliği kullanmaktadır. Bunlar birer aksiyom olarak kabul edilmektedir. Bunlardan biri “superposition” dur. Daha önce de belirtildiği gibi, bir qubitin 0 ve 1 hallerinde olabildiği gibi bunların arasında herhangi bir halde de bulunabilmesi durumuna “superposition” denilmektedir. Diğer bir özellik ise “dolanıklılık – entanglement” özelliğidir. Birden fazla parçacık veya qubitin dolanık olduğu durumlarda bir qubitin ölçülen hali diğer bir qubitin halini belirliyebilmektedir. Örneğin ilk qubit 0 bulunduğunda ikinci qubit de 0, ilk qubit 1 bulunduysa ikinci qubit de 1 olarak bulunabilmektedir. Bu duruma “entanglement” denir.
Mevcut durumda 60-70 qubitli kuantum bilgisayarları bulunmaktadır. Fakat pratik çözümler için qubit sayılarının 1000’lere ulaşması gerekmektedir. Bunun için de çalışmalar ve araştırmalar yoğun şekilde devam etmektedir.
Dr. Orkun Hasekioğlu
Comments are closed.