Tıpta meydana gelen yenilikçi gelişmelere rağmen hastalıkların tamamen sona ermesi mümkün mü? Ya da tamamen son bulmasalar da adaptasyon geliştirdiğimiz tüm sorunlar gibi hastalıkları yenmek de biz insan türü için şaşırtıcı mıydı? Bu sorulardan ilkine net olarak cevap veremesek de ikincisine yüksek sesle “Hayır” dediğinizi duyar gibiyim. Bu noktadan hareketle hafızalarımızı tazelediğimizde hastalıkları yenmek için ampirik olarak bitkileri denediğimiz ilk çağlardan bilimsel çalışmalarla keşfedilmesi yıllar alan sentetik moleküllere doğru ilaçların hayatımızdaki yerini göz ardı edemeyiz.
İlaçların; vücudumuzdaki patolojik durumları düzeltmek, eksik endojen maddeleri yerine koymak, hastalıkları teşhis etmek gibi görevleriyle sağlık sisteminin bir parçası olduklarını kabul ederken ilaç keşfi ve ilaç üretim süreçlerinin de sağlık hizmetlerinin bir parçası olmadığını düşünmek ne kadar rasyonel?
Geleceğin sağlık-bakım hizmetlerinde; yapay zekadan sanal gerçekliğe, artırılmış gerçeklikten nanoteknolojiye kadar hayranlıkla takip ettiğimiz teknolojiler birer birer yerlerini alırken sağlık sisteminin hayati bileşenlerden biri olan ilaç geliştirmenin diğer alanlardan önce bu teknolojilerle tanışması şans ya da zorunluluk muydu?
Hastalıklarla mücadeledeki en önemli güç olan yeni ilaçların geliştirilmesi, yaşam süresini etkileyen en önemli faktörlerden biriyken yıllarca sürmesi ve milyarlarca dolara mal olması ulaşılabilirliği azaltmaktadır. Bu yazımda da zaman içinde gelişen in silico ilaç tasarımı ve in silico çalışmalar yapan start-upların değerlendirilmesine yer veriyoruz.
IN SILICO İLAÇ TASARIMI NEDİR?
In silico ilaç tasarımı veya bilgisayar destekli ilaç tasarımı yapay zekanın farklı alt alanları kullanılarakilaç adayı olabilecek moleküllerle ilgili; vücutta hedeflenen biyomoleküllerle etkileşim, moleküler etki mekanizması, fizikokimyasal özellikler, üç boyutlu yapı aktivite ilişkisi, farmakokinetik ve toksisite, hedef dışı etkiler ve çevresel etkiler gibi önemli birçok parametrenin bilgisayar simülasyonları ve modellemeleri ile öngörülebilir hale getirilmesidir. Geçmişte sadece yeni ilaç sentez aşaması için düşünülse de günümüzde ilaç geliştirme ve üretimindeki tüm alanların simüle edilmesi için kullanılan bir kavram haline gelmiştir.
IN SILICO İLAÇ TASARIMI VE YAPAY ZEKA
In silico ilaç tasarımında kullanılan temel teknoloji olan yapay zeka; insanlara özgü anlama, öğrenme, karar verme, çıkarımda bulunma gibi yetilerin bilgisayarlara kazandırılması olarak tanımlanır. Yapay zeka çeşitli alanlarda mevcut verilerden anlam çıkarmanın, ilişki kurmanın zor olduğu veya çok fazla verinin olduğu durumlarda bunların düzenlenerek kullanılabilir hale getirilmesine imkan sağlar.
Yapay zekanın doğal dil işleme, büyük veri, robotik, ses ve görsel tanıma gibi birçok alt alanı bulunsa da ilaç keşfinde yaygın olarak kullanılan alt alanları makine öğrenmesi ve makine öğrenmesinin alt disiplini olan derin öğrenmedir. Makine öğrenmesi düzenlenmiş veya düzenlenmemiş veri kalıplarını tanıyarak sonuçlar çıkaran ve tahminde bulunabilen bir yapay zekâ teknolojisidir [3]. Makine öğrenmesinin bir alt disiplini olan derin öğrenme ise insandaki düşünmeyi taklit etmek için çok katmanlı yapay sinir ağlarını kullanır [3]. Derin öğrenme yöntemi karmaşık bir yapıya sahiptir ve fazla miktarda veriye ihtiyaç duyar.
IN SILICO İLAÇ TASARIMININ TARİHİ GELİŞİMİ
Bilgisayar destekli ilaç tasarımının geçmişini bilgisayarların gelişimi, internetin yaygınlaşması ve moleküler modellemenin başlangıcına kadar geriye giderek incelemek daha doğrudur.
- İlk olarak moleküllerin top-çubuk modellemelerinin oluşturulması,
- kimyasal bağların anlaşılması,
- moleküllerin üç boyutlu yapılarının aydınlatılması,
- moleküler mekanik ve moleküler dinamik çalışmalara geçiş,
- moleküler çizim uygulamalarının geliştirilmesi,
- internet bağlantısının sağlanması,
- bilgisayarların yaygınlaşması ve grafik özelliklerinin gelişmesi,
- moleküler modellemelerin bilgisayarda kullanımına geçilmesi ve www çağı sonrası moleküler modellemelerle ilgili veri tabanlarının artmasıyla günümüzdeki sürece geçilmiştir [6]. Bu gelişmeler sonucunda bilgisayar destekli ilaç gelişimi günümüzün vazgeçilmez bir parçası olmuştur.
IN SILICO İLAÇ TASARIMINDA YAKLAŞIMLAR
In silico ilaç tasarımında genel olarak iki yaklaşım bulunur:
- Hedef Biyomolekül Temelli İlaç Tasarım Yöntemleri
- Ligand Temelli İlaç Tasarım Yöntemleri
Hedef biyomolekül temelli ilaç geliştirme yöntemlerinde hedeflenen biyomolekülün (reseptör protein, nükleik asitler gibi.) 3D yapısı; NMR spektroskopisi, X ışınları kristalografisi gibi yöntemlerle aydınlatılmıştır ve protein veri bankalarından kolayca erişilebilmektedir. Moleküler dinamik, moleküler doklama, fragment temelli tasarım ve farmakofor grup modellemeleri hedef biyomolekül temelli ilaç tasarımında kullanılan en önemli yöntemlerdir [5]. Hedef biyomolekülün yapısının aydınlatılamadığı durumlarda kullanılan ligand temelli yaklaşımlar ise benzerlik analizleri, kantitatif yapı-aktivite ilişkisi, farmakofor grup analizi yöntemleridir [5].
Moleküler Doklama
Moleküler doklama, hedef biyomolekül temelli ilaç tasarımında öncü ilaç adaylarının keşif ve optimizasyonunda en sık kullanılan yöntemdir. Protein veri bankasından elde edilen reseptör proteinin 3D yapısıyla ligandın bağlanması simüle edilir. Etkileşim kompleksinin üç boyutlu yapısı, etkileşimin çeşidi (etkili kimyasal ve fiziksel bağlar) ve etkileşimin enerjisi nicel olarak hesaplanır. Buna göre aday ligandlar skorlanır. Yüksek skorlu moleküller ilaç adayı olabilecek moleküllerdir. Bugünlerde yaygınlaşan birçok platformda her düzeyde eczacı ve eczacı adayının kolayca uygulayabileceği bir yöntem olduğu düşünülürse gelecekte daha fazla potansiyel molekül keşfedebiliriz.
Moleküler Dinamik
Moleküler Dinamik reseptör protein ve ligandın bağlanma şekillerini ve hareketlerini tahmin etmek için kullanılan yöntemlerden biridir. Moleküler dinamik modellemelerde Newton’un hareket yasalarından hareketle liganda etkiyen kuvvetler doğrultusunda nasıl hareket edeceği tahmin edilir [4]. Fischer‘ın anahtar kilit uyumu olarak tasvir ettiği reseptör protein ve ligand ilişkisinin yerini alan yeni yaklaşımlarda reseptör proteinin esnek ve hareketli yapıda olduğu ve reseptörün bu özelliğinin bağlanmada önemli olduğu düşünülmüştür [4]. Ligandla bağlanma sonrası reseptör proteinin yapısındaki değişmeler zamana bağlı olarak incelenmektedir. Bu modelleme deneysel çalışmalar ve teorik çalışmaların kesişiminde bulunmaktadır [4].
Farmakofor Grup Modellemesi
Bizler farmakofor grupların basitçe molekülün aktiviteden sorumlu fonksiyonel grupları olduğunu düşünsek de IUPAC’a göre farmakofor; “Belirli bir biyolojik hedefle optimal supramoleküler etkileşimleri sağlamak ve biyolojik tepkisini tetiklemek (veya bloke etmek) için gerekli olan sterik ve elektronik özellikler topluluğudur.” şeklinde tanımlanmaktadır. Farmakofor grup analizleri hem hedef biyomolekül temelli ilaç tasarımlarında hem de ligand temelli ilaç tasarım yaklaşımlarında kullanılan bir yöntemdir. Ligandların hidrofobik etkileşimleri, aromatik yapıları, hidrojen bağı donörü veya akseptörü olması ve elektrostatik ve sterik yapıları bakımından sınıflandırılmalarına dayanan bir modellemedir. Ligand temelli ilaç tasarım yaklaşımlarında reseptör proteinin yapısının tahmin edilmesini sağlayabilir.
Fragment Temelli Tasarım
Fragment temelli ilaç tasarımı yüksek molekül ağırlığına sahip moleküllerin absorbsiyonları başta olmak üzere genel olarak farmakokinetik özelliklerinin ilaç olmak için engel oluşturması nedeniyle geliştirilen bir metottur. Bu metoda göre ligand ilk başta çok küçük bir yapıda olup reseptörle zayıf ancak kolayca bağlandıktan sonra farklı grupların eklenmesiyle büyütülmekte ve geliştirilmektedir [5].
Benzerlik Taramaları
Benzerlik taramaları daha önceden araştırılmış ve etkili olduğu bilinen moleküllerin özelliklerinden hareketle yeni ligandların mevcut etkili olanlarla benzerliğini karşılaştırmayı hedefler [5]. Bu özellikler kimyasal yapı, bağlanma afinitesi ve diğer fizikokimyasal özellikler gibi geniş parametredeki özelliklerdir. Bu yaklaşım düşük maaliyetli ve etkili bir yöntemdir ayrıca önceden mevcut olan kimyasal verilere dayanır. Standart liganda çok benzeyen yeni ligandları bulmak için en sık kulllanılan yöntem çeşitli bileşikleri veri bankasında aramaktır [5].
Kantitatif-Yapı Aktivite İlişkisi (QSAR)
Ligand temelli ilaç tasarımında kullanılan bir diğer teknik olan kantitatif yapı aktivite ilişkisi yöntemi moleküllerin farklı parametrelerdeki özelliklerinin biyolojik aktivitesiyle ilişkisini hesaplayan en eski in silico yöntemlerden biridir. Reseptör 3D yapısı bilinmediğinde tercih edilen en etkili yöntemdir. Birçok molekülün 3 boyutlu yapısı anlaşıldıktan sonra 3D- QSAR yani üç boyutlu kantitatif yapı aktivite ilişkisi adını almıştır [4].
IN SILICO PRE-KLİNİK VE KLİNİK ÇALIŞMALAR
Klinik çalışmalar ilaç geliştirme süreçlerinin masraflı ve zaman alan asıl bölümleridir. İlacın terapötik doz, güven aralığı, yan etkileri, farmakokinetik ve farmakodinamiği, plaseboyla kıyaslaması gibi önemli verileri elde etmek binlerce insan, milyarlarca dolar ve çok uzun yıllar gerektirmektedir.
İlaçların insanlar ve hayvanlar üzerinde denenmesi kimi kesimlerde tereddütler oluşturmakta ve etik tartışmalara neden olmaktadır. Son yıllarda ilaç denemeleri için organlar ve kök hücreler kullanılsa da ilerleyen zamanlarda insan fizyolojisinin tamamıyla dijital ortama aktarılabilmesi çok ütopik bir yaklaşım mı? Bilim-Kurgu kategorisindeki online platform dizilerinden aşina olduğumuz bu konuda çalışmalara başlandı.
HumMod bu alandaki en gelişmiş simülasyonlardan biri ve baştan aşağı tüm organları, vücut sıvılarını ve molekülleri içeriyor. Farklı hasta ve hastalık modelleri oluşturmakta kullanılıyor [7]. Sanal Fizyolojik İnsan Enstitüsü bu konuda gelecek vadeden çalışmaları yapan bir başka oluşum. Kâr amacı gütmeyen bu oluşum sanal klinik deneylerin benimsenmesi için iş birliklerine imza atıyor. Konjenital kardiyak anomaliler ve osteoporoz için geliştirilmiş sanal insan fizyolojisi projelerini hayata geçirdiler [7]. Sanal klinik çalışmalar için geliştirilecek yazılımlarla maliyet ve zamandan kar edilmesinin yanı sıra derin öğrenme ve makine öğrenmesinin sağlayacağı veri analizleri hekimler ve klinik araştırmalarda çalışacak diğer sağlık paydaşlarına büyük bir bilgi birikimi sağlayabilir. Klinik çalışmalarda meydana gelebilecek olumsuz durumlar yapay sinir ağı teknolojileriyle öngörülebilir hale gelecektir.
KALİTELİ İLAÇ ÜRETİMİ İÇİN IN SILICO ÇALIŞMALAR
Şimdiye kadar bahsettiğimiz aday ilaç molekülü keşfi, pre-klinik ve klinik çalışmalar gibi alanların yanında ilaç üretiminde de yapay zeka teknolojilerinin varlığına ihtiyaç doğmuştur. Birçok endüstri tüm test ve prototiplerini bilgisayar ortamında tasarlarken ilaç endüstrisi ürünlerini ve testlerini fiziksel olarak gerçekleştiren nadir alanlardan biridir.
Geçmiş dönemlerde üretilen ilaçların istenen kalitede olup olmadıkları QbT (Quality by Testing) denilen yalnızca bitmiş ürün numunelerinin test edilmesi ile gerçekleşiyordu. İstenilen kalitede olmayan ürünler imha edilerek süreç devam etmekteydi [1].
Günümüze yakın bir zamanda meydana gelen GMP ve diğer GXP (X herhangi bir alan olabilir.) uygulamalarının beraberinde getirdiği kurallarla ilaç üretim proseslerinin her aşaması planlanmış, tekrarlanabilir ve doğruluğu kanıtlanmış olması gerekir. GMP kurallarıyla beraber geçilen QbD yaklaşımıyla ürünün yapay zekayla sanal ortamda tasarlanması hedeflenir [1]. Formülasyonlar üretim alanlarında sentezlenmeden önce yazılım programları üzerinde simüle edilerek;
- hedef ürün belirlenir,
- hedeflenen ürünün kalitesi tanımlanır,
- risk analizleri yapılır,
- kritik kalite özellikleri belirlenir,
- tasarım alanı geliştirilir,
- kontrol stratejileri oluşturulur [1].
QbD yaklaşımında yapay zekanın alt alanları olan yapay sinir ağı teknolojisi ve bulanık mantık teknolojisi kullanılır. Böylece formülasyonun üretimi simüle edilirken kritik kalite özellikleri belirlenir, bileşenler ile ürünün özellikleri arasındaki ilişki anlaşılır ve üretim optimize edilir [2]. Böylece gerçek üretim esnasında meydana gelebilecek maliyet, zaman, kalite kayıpları önlenir. Tasarım aşamasında kalite sağlanmış olur.
IN SILICO ÇALIŞAN START-UPLAR
In silico tasarımın ilaç geliştirmenin her alanına sağladığı zaman ve maliyet verimliliği hastalıkları tedavi etme motivasyonuyla birleşerek son yıllarda bu alana atılan start-upların sayısında büyük bir artış sağladı. COVID-19 pandemisine tanıklık ettiğimiz günümüzde COVID-19 aşılarının hızla topluma ulaştırılmasında komplo teorilerinin aksine yapay zekanın sunduğu olanakları fırsata çeviren bilim insanları ve start-uplar etkili oldu. Diğer pek çok hastalığın tedavisi için de sayısı azımsanamayacak kadar start-up çalışmalarını sürdürüyor. Yazımızın kalan kısmında bu start-upların etkileyici hikayeleriyle devam ediyoruz.
Moderna
2010 yılında kurulan Moderna merkezi Cambridge’de olan bir start-uptır. Moderna’nın motivasyonu protein sentezinden sorumlu temel biyomolekül olan m-RNA’nın hastalıkların tedavisindeki kullanımını yaygınlaştırabilmektir.
Şu anda en çok COVID-19 aşısıyla tanıdığımız Moderna’nın m-RNA temelli nükleik asit aşı çalışmaları oldukça yoğun. Moderna bu alandaki ilk aşı çalışmalarını 2015’te grip aşısı alanında yapmıştı. Bu aşıların mekanizmalarına bakıldığında hastalığa neden olan virüslerin yapılarında bulunan proteinlerin kodonlarını taşıyan m-RNA’nın vücuda verilmesi ve m-RNA’nın hücreleri kullanarak oluşturduğu viral proteinlere karşı bağışıklık yanıtı oluşturulmasıdır. Proteinlerin vücuttaki işlevsel en önemli moleküller olmaları ve birçok hastalığın mekanizmasında yer alması Moderna’nın m-RNA çalışmalarının potansiyelini ortaya koymaktadır. Hastalıkların m-RNA temelli çözümleri için çabalayarak bir dönüşüm meydana getiren Moderna bu amaçla kurulduğu günden itibaren m-RNA platformlarını, ilaç keşfini hızlandıracak alt yapılarını, veri tabanlarını ve ekiplerini geliştirerek ilerlemektedir.
“mRNA platformumuzun, milyonlarca insanı etkileyen hastalıklardan düzinelerce insanı etkileyen ultra nadir hastalıklara ve bireysel düzeyde kişiselleştirilmiş ilaçlara kadar dünyanın en büyük sağlık sorunlarını çözebileceğine inanıyoruz.”
Moderna CEO’su Stephane Bancel
Moderna günümüzde bulaşıcı hastalıklardan immüno-onkolojiye, nadir hastalıklardan kardiyovasküler hastalıklara kadar birçok alanda çalışmalarına hızla devam ediyor. Ürün yelpazelerinde profilaktik aşılar, sistemik salgılı ve hücre yüzeyi terapötikleri, kanser aşıları, intratümöral immüno-onkoloji, lokalize rejeneratif terapötikler, sistemik hücre içi terapötikler gibi ürünler bulunuyor.
Moderna’nın Kilometre Taşları
Kurulduğu 2010 yılı sonrasında;
- 2013 yılında AstraZeneca ile kardiyometabolik hastalıklara yönelik iş birliği, 2015’te bulaşıcı hastalıklarda Merck ile iş birliği yaptı. Aynı yıl m-RNA 1440 temelli H10N8 ilk grip aşısı yapıldı. Bill ve Melinda Gates vakfından HIV-AIDS araştırmaları için hibe alındı.
- İmmünoterapi alanındaki ilk m-RNA adayı m-RNA 2416’yı sunuldu.
- Kişiselleştirilmiş kanser aşılarında Merck ile ortaklık yapıldı.
- Chikungunya virüsüne karşı bir antikoru kodlayan ilk bulaşıcı hastalık terapötik geliştirme adayı mRNA-1944 tanıtıldı.
- Moderna, insan metapnömovirüsü ve parainfluenza virüsüne karşı koruma sağlayan mRNA-1653 için insanda ilk doz uygulamasını başlattı.
Atomwise
2012 yılında kurulan Atomwise, ilaç geliştirme süreçlerinde evirişimsel yapay sinir ağı teknolojisini kullanan ödüllü ilaç keşif motoru AtomNet’i kurarak bu alanda ilke imza atan start-uptır.
Sosyal medyaya fotoğraf yükleyenler bilir ki fotoğraftaki arkadaşlarımızın görüntüsü etiketlendiğinde uygulama tanır. Bunun gibi basit bir yaklaşımdan yola çıkan Atomwise’ın kurucuları Toronto Üniversitesi’ndeyken, görüntü tanıma için makine öğrenimi ve evirişimsel yapay sinir ağlarının nasıl uygulanabileceğini gördükten sonra aynı teknolojinin biyokimya alanında moleküllerin görüntüsünden tanınarak ilaç keşfine uygulanabileceği konseptinde uzlaşmışlardır. Aslında derin öğrenmenin reseptör molekül ve bağladığı ligandlara uygulanmasıdır.
Atomwise Ebola virüsünü tedavi etmek için mevcut ilaçlar için sanal bir arama başlattı. Şirketin AI teknolojisi tarafından tahmin edilen ve Ebola bulaşıcılığını azaltabilecek iki ilaç geliştirdiler. Yıllarca zaman aldığını bildiğimiz ilaç geliştirme sürelerine rağmen Atomwise bunu bir günden daha kısa sürede başardı. Bu tür çalışmalar birincil sağlık hizmetlerinin verildiği eczanelerde eczacılar tarafından yürütülebilirse, ilaç üretiminin ne kadar verimli olacağını hayal edin.
Insılıco Medicine
2014 yılında kurulan Insilico Medicine yaşlanma ve yaşlanmaya bağlı hastalıklara karşı çözüm üretmek için 10 milyon dolardan fazla yatırım almıştır. Şirket yeni ilaç molekülü bulmayı tıklım tıklım dolu bir metro istasyonunda suçlu arayan bir polisin çabalarına benzetiyor. Bu analojiden yola çıkarak ilaç keşfinde hastalık hedefinin tanımlanması, aday moleküle dair verilerin sağlanması ve klinik deney verilerinin tahmin edilmesi alanlarını hızlandırıyor. Piyasada bulunan güvenli ilaçların yeni endikasyonlar için kullanılıp kullanılamayacağını araştırıyor.
Insilico Medicine bünyesinde makine öğrenmesine dayanan 3 temel platform bulunuyor. Bu platformlardan ilki olan PandaOmics, hastalıklar için hedef biyomoleküllerin tanınması ve tahmin edilmesini sağlıyorken Chemistry42 isimli platformları ise belirlenen hedef biyomolekülle bağlanabilecek liganlar oluşturarak bunların skorlanmasını sağlıyor. Sadece hedef temelli değil aynı zamanda ligand temelli ilaç tasarımları da yapılabiliyor. Üçüncü platformları olan İnclinico ise aday moleküllerin klinik çalışmaları hakkında tahminlerde bulunuyor.
Benevolent AI
In silico ilaç keşfi yapan start-uplar arasında unicorn olma özelliğine sahip çok önemli bir start-up olan Benevolent AI 292 milyon dolarlık bir değerlemeye sahiptir. Bu rakamlar Benevolent AI’ı dünya çapında sıralamalara taşıyor. Benevolent AI, en son rolü David Cameron yönetiminde internet güvenliği bakanlığı olan eski Facebook yöneticisi Barones Shields tarafından yönetiliyor.
Şirket, keşfettiği bir ilacın, ek oksijen veya invaziv mekanik ventilasyon gerektiren hastanede yatan COVID-19 hastalarında kullanılmak üzere ABD Gıda ve İlaç Dairesi’nden (FDA) onay aldığını duyurdu. Firma “Karmaşık hastalık biyolojisini deşifre etmek ve optimum terapötik müdahaleleri keşfetmek için gelişmiş yapay zekâ ve makine öğrenimini en son bilimle birleştiriyoruz.” Mottosuyla hareket ediyor.
Benevolent Platform isimli hesaplamalı ARGE platformu bulunan firmanın keşif ve tahmine dayalı platformu hastalık mekanizmalarının anlaşılması ve uygun tedavi hipotezleri oluşturulması için yapay zeka ile sayısız veriyi analiz ederek yeni bilgiler sentezliyor ve bilgi grafikleri haline getirerek bilim insanlarını destekliyor. Şirket milyonlarca veriyi düzenleyerek kullanılabilir hale getirirken yayınlanan her makaleyle verileri güncel tutmayı hedefliyor. Kronik böbrek hastalığı ve idiyopatik pulmoner fibrozis gibi tedavi alanı kısıtlı hastalıklara karşı çalışmalarını sürdürüyor. Kronik böbrek hastalığı için AstraZeneca ile iş birliği yapmaktalar. Bugün gelişmeler yavaş olsa da gelecekte böbreğin kendi kendini yenilyebildiği bir duruma getirecek tedavi şekillerinin uzak ihtimal olmadığı düşünülüyor.
SONUÇ VE ÖNERİLER
İlaç keşfi ve ilaç üretiminde günümüzün vazgeçilmez yöntemleri olan İn Silico çalışmalar mevcut durumda maliyet ve zamanı verimli hale getirseler de bu alandaki sonu olmayan veri analizi ve veri düzenlemesi ihtiyacı da bu alanın gelişime açık olduğunu kanıtlıyor. Tahmin sonuçlarının henüz tatmin edici olmadığı aday moleküllerin farmakodinamik etkileri ve henüz hayata geçmeyen in silico klinik çalışmaları ise gelecekte çözülmeyi bekliyor.
Kimya, Biyoloji, MBG, Tıp ve Eczacılık gibi temel bilim ve meslek dallarında ilaç keşfine meraklı birçok öğrenci henüz üniversiteyken in silico tasarım alanında yaygınlaşan ücretsiz platformları kullanarak kendi potansiyel ilaç molekküllerini bulabilirler.
Biyomoleküllerin yapılarının yapay zeka teknolojileriyle daha fazla aydınlatılması hastalık mekanizmalarının anlaşılmasını kolaylaştıracaktır.
Hastalıkların çözülmesinde farklı endikasyonlar için mevcut kullanımı bulunan ilaçların yeniden kullanılabilirliği konusunda çalışacak start-upların artması önemli hastalıklar için çok kısa sürede ilaç bulunmasını hızlandıracaktır.
Kronik Hastalıkları bulunan hastaların kullandıkları ilaçların yan etkilerine dair geribildirimleri ve fizyolojik durumlarına dair verileri analiz edilerek kronik hastalar için özelleştirilmiş ilaç tasarımları yapılabilir. In silico ilaç geliştirme alanlarında gelecekte hepimizi çok büyük bir dönüşüm bekliyor. Bu dönüşümle birlikte ilaçlara erişimin artması, belki de başlangıç sorumuzda tartıştığımız gibi hastalıkların tarih olmasını mümkün kılar. Şimdilik yaşayıp görmekten başka bir yolu yok.
MUHAMMET ALİ ŞİMŞEK
MARMARA ÜNİVERSİTESİ ECZACILIK FAKÜLTESİ
PHARMAINO-SCIENCE TEAM INTERN
KAYNAKLAR
[1] Aksu, B., Mesut, B., (2015), Quality by design (QbD) for pharmaceutical area. İstanbul Eczacılık Fakültesi Dergisi, 45(2), 233-251.
[2] Aksu, B., Paradkar, A., Matas, M., Özer, Ö., Güneri, T., York, P. (2012). Quality by Design Approach: Application of Artificial Intelligence Techniques of Tablets Manufactured by Direct Compression. American Association of Pharmaceutical Scientists, 13(4), DOI: 10.1208/s12249-012-9836-x
[3] Çelik, İ. N., Arslan, F. K., Tunç, R., Yıldız, İ. (2021). İlaç Keşfi ve Geliştirilmesinde Yapay Zekâ. Ankara Eczacılık Fakültesi Dergisi, 45(2), 400-427, Doi: 10.33483/jfpau.878041
[4] Eren, D., Yalçın, İ. (2020). Rasyonel İlaç Tasarımında Moleküler Mekanik ve Moleküler Dinamik Yöntemlerin Kullanılma Amacı. Ankara Eczacılık Fakültesi Dergisi, 44(2), 334-355, Doi: 10.33483/jfpau.688351
[5] Makrynitsa, G., Spyroulias, G. A., Lykouras, M., Matsoukas M. (2018). İn Silico Drug Design. DOI: 10.1002/9780470015902.a0028112
[6] Sarı, S. (2020). Molecular Modelling and Computer-Aided Drug Design: The Skill Set Every Scientist in Drug Research Needs and Can Easily Get. Hacettepe University Journal of the Faculty of Pharmacy, 40(1), 34-37.
[7] The Medical Futurist “10 Ways Technology Is Changing Healthcare” erişim:
- https://medicalfuturist.com/ten-ways-technology-changing-healthcare/#https://www.modernatx.com/
- https://www.atomwise.com/
- https://insilico.com/
- https://www.benevolent.com/