İnsiliko’nun teknoloji odağı; hedef keşfi, üretken kimya (generative chemistry) ve molekül optimizasyonu için tasarlandığını söylediği Pharma.AI platformu. Şirket, platformun farklı bileşenlerini tek bir iş akışında birleştirdiğini ve böylece erken dönem boru hattında sıklıkla görülen deneme-yanılma yükünü azaltmayı amaçladığını belirtiyor. İttifakın temel fikri, yapay zekâ tarafından üretilen moleküler fikirleri, geliştirme ve üretime girdi oluşturabilecek programlara dönüştürmek için Bora’nın operasyonal kapasitesinin eklenmesi.

Bora Pharmaceuticals tarafının rolü; yalnızca araştırma çıktılarının doğrulanmasıyla sınırlı değil. Açıklamada, Bora’nın geliştirme süreçlerindeki operasyonel derinliği, üretim yetkinliği ve kalite sistemleri, tedarik zinciri icrası ile ticarileştirme süreçlerindeki uzmanlığına vurgu yapılıyor. Bu yaklaşım, yapay zekâ hipotezlerinin yalnızca laboratuvar ölçeğinde kalmayıp, daha sonra ölçeklenebilir üretim gereksinimlerini karşılayabilecek şekilde ele alınmasını amaçlıyor. İnsiliko ise, platformun ürettiği adayların “AI hipotezleri”nden üretilebilir ve geliştirilebilir programlara geçişte yol haritası oluşturacağını ifade ediyor.

Anlaşmanın “çok hedefli” olarak tanımlanması, iş birliğinin bir hastalık alanında tek bir biyobelirteç ya da tek bir moleküler yaklaşım etrafında dar tutulmayabileceğine işaret ediyor. Bununla birlikte, ortaklığın odaklanacağı hastalıkların, hedeflerin veya adayların isimleri paylaşılmadı. Yine de yönetişim ve icra başlıklarının kesin anlaşmalarla netleştirilmesi, araştırma-üretim hattının ortak tasarımını ve sorumluluk paylaşımını yapılandırmayı amaçladıklarını düşündürüyor. Bu tür ittifaklar, erken keşif aşamasındaki modellemelerin daha sonraki kimyasal, süreç ve kalite gereklilikleriyle uyumlu hale getirilmesi açısından önem taşıyor.

Üretken yapay zekâ tabanlı ilaç keşfi, hedefe yönelik molekül tasarımında yeni fikirler üretme potansiyeli sunarken, adayların geliştirme yolculuğunda karşılaşılabilecek pratik zorluklar da bulunuyor. Bunlar arasında adayın sentezlenebilirliği, ölçeklendirmeye uygun proses özellikleri, saflık ve kararlılık gibi kalite parametreleri ile tedarik zinciri tarafında süreklilik gereksinimleri yer alıyor. Bu nedenle, İnsiliko’nun keşif tarafında Pharma.AI’ı konumlandırıp Bora’nın kalite ve üretim yetkinliğini iş akışına entegre etmeyi planlaması, “keşiften üretime geçiş” sorununa odaklanan bir endüstri yaklaşımı olarak değerlendirilebilir.

Şirket açıklamasında, ortaklığın kapsamının ve yürütme mekanizmasının kesin anlaşmalarla belirlendiği belirtiliyor. Bu çerçeve; hangi görevlerin hangi tarafın kontrolünde olacağı, karar süreçlerinin nasıl yönetileceği ve ilerleme kriterlerinin hangi veriler üzerinden ele alınacağına dair bir altyapı kurmayı amaçlar. Ancak klinik değerlendirmeye ilişkin zaman çizelgesi veya hangi aşamalara kadar ilerleme planlandığı bilgisi şu aşamada yer almıyor.

Yapay zekâ destekli keşif araçlarının ilaç geliştirme boru hattına girmesi hız kazanırken, endüstride giderek daha fazla şirket üretim otomasyonu, veri temelli karar alma ve dijital dönüşüm gibi başlıklara yatırım yapıyor. Bu noktada, İnsiliko-Bora ortaklığının özellikle kalite sistemleri ve tedarik zinciri icrası gibi “operasyonel” alanlara vurgu yapması, projenin yalnızca molekül tasarımına değil, geliştirme ve ölçeklenebilirlik gereksinimlerine de dayanmak istediğini gösteriyor.

Kaynak: https://scienmag.com/insilico-medicine-bora-pharmaceuticals-partner-on-ai-drug-discovery-and-development/

Geleneksel yöntemlerle umut vadeden bir radyofarmasötik bileşiğin sentezlenmesi, hücre kültürü testleri, hayvan modelleri ve erken faz klinik denemeleri ile ilerleyen uzun bir yolculuğu gerektiriyor. Makine öğrenmesi algoritmaları ise devasa kimyasal ve biyolojik veri tabanlarını tarayarak bu süreci radikal biçimde kısaltıyor. Yapay zeka, bir molekülün hem tümör hücresine ne kadar sıkı bağlanacağını hem de vücutta nasıl bir yol izleyeceğini öngörebiliyor. Üstelik bu tahminler yalnızca mevcut bileşikleri sıralamakla kalmıyor; üretken modeller, daha kararlı ve daha etkili tamamen yeni moleküler yapılar da tasarlayabiliyor. Nükleer Tıp Fiziği alanında önde gelen uzmanlardan Dr. Sofia Michopoulou, bu yaklaşımın en değerli yanının, klinik değerlendirme aşamasına yalnızca en yüksek potansiyele sahip aday ilaçların hızlıca taşınması olduğunu vurguluyor. Böylece başarısızlıkla sonuçlanması muhtemel deneylere ayrılan zaman ve maliyet büyük ölçüde ortadan kalkıyor.

Yapay zeka destekli hesaplamalı modellerin bir başka kritik katkısı da, moleküller arası etkileşimleri atomik düzeyde simüle edebilmesidir. Radyofarmasötikler söz konusu olduğunda, radyoaktif atomun taşıyıcı moleküle tutunma şekli ve hedef hücredeki reseptöre bağlanma kinetiği, tedavinin hem etkinliğini hem de yan etki profilini belirliyor. Derin öğrenme mimarileri, bu karmaşık ilişkileri laboratuvar ortamına ihtiyaç duymadan modelleyerek araştırmacılara benzersiz bir hız avantajı sağlıyor. Örneğin, zayıf bağlanma gösteren bir adayın yapısı üzerinde sanal ortamda değişiklikler yapılarak, tümör dokusundaki kalış süresi uzatılabiliyor. Bu sayede hasta üzerinde denemeden önce binlerce varyant in silico taranabiliyor.

İlacın keşfinden sonraki en hayati adım ise hastaya ne kadar doz verileceğinin belirlenmesidir. Radyofarmasötiklerde doz hesabı (dozimetri), tıpkı bir anahtarın kilide uyması gibi kişiselleştirilmelidir; çünkü her hastanın anatomisi, tümörün konumu ve böbrek, kemik iliği gibi kritik organların radyasyona toleransı farklılık gösterir. Geleneksel dozimetri yöntemleri genel varsayımlara dayandığı için ya tümöre yetersiz radyasyon gitmesine ya da sağlıklı dokuların gereksiz hasar görmesine yol açabilir. İşte bu açığı kapatan teknoloji, üç boyutlu evrişimli sinir ağları (3D-CNN) ile güçlendirilmiş görüntü analizidir. Bu ağlar, SPECT ve PET gibi moleküler görüntüleme taramalarındaki her bir pikselin anlamını çözerek radyofarmasötiğin vücuttaki dağılımını çok daha yüksek hassasiyetle haritalandırır. Elde edilen dağılım modeli, tümörün emdiği radyasyon miktarını hesaplamakla kalmaz, aynı zamanda bir sonraki tedavi döngüsünde dozun nasıl optimize edileceğine dair veriye dayalı öngörüler sunar.

Kişiselleştirmede bir adım ötesi ise dijital ikiz kavramıdır. Her hasta için oluşturulan bu yüksek çözünürlüklü sanal kopyalar, kişinin genetik yapısından organ hacimlerine, tümör kanlanmasından metabolizma hızına kadar birçok parametreyi bir araya getirir. Klinisyenler, dijital ikiz üzerinde birden fazla doz senaryosunu simüle ederek hem en yüksek tümör kontrolünü sağlayacak hem de yakındaki sağlıklı dokularda geri dönüşü olmayan hasarı önleyecek ideal rejimi belirleyebilir. Bu yaklaşım, hastaya fiziksel olarak uygulanmadan önce terapinin sanal provasını yapmak anlamına gelir. Görüntüleme verilerinin derin öğrenme modelleriyle işlenmesi sayesinde dijital ikiz, tedavi sırasında güncellenebilir ve tümörün küçülmesi veya organların pozisyon değiştirmesi gibi dinamik değişikliklere anında uyum sağlayabilir.

Alanın uzmanları, yapay zekanın radyofarmasötik araştırmalarındaki rolünün bir destek aracı olmaktan çıkıp bir karar ortağına dönüştüğünü belirtiyor. Özellikle üretken yapay zekanın, literatürde hiç tanımlanmamış melez moleküller ortaya çıkarma potansiyeli, ilaç keşfinde yepyeni bir kimyasal uzayın kapılarını aralıyor. Yine de bu güçlü araçların klinik pratiğe tam entegrasyonu için doğrulama çalışmalarının titizlikle yürütülmesi ve düzenleyici çerçevelerin netleşmesi gerekiyor. Erken aşama araştırmaların umut verici sonuçları, çok merkezli, geniş ölçekli çalışmalarla teyit edilmeden rutin kullanıma geçişin mümkün olmayacağı vurgulanıyor.

Yapay zeka ile hızlandırılmış keşif ve kişiselleştirilmiş dozimetri, radyofarmasötik tedavinin temel felsefesini dönüştürüyor: artık ‘aynı doz herkese’ paradigmasından ‘biyolojik olarak bireye özgü doz’ anlayışına geçiş yaşanıyor. Makine öğrenmesi sayesinde bir zamanlar laboratuvarda yıllar süren aday tarama süreçleri aylar mertebesine inerken, her hastanın kendine özgü biyolojik mimarisi tedavinin merkezine yerleşiyor. Bu sessiz devrim, onkolojide akıllı ilaçlar döneminin yalnızca başlangıcı olarak görülüyor.