İlaç geliştirme süreçleri, yüksek maliyetler ve düşük başarı oranları nedeniyle sektörün en riskli alanlarından biri olarak öne çıkıyor. 1950'lerden bu yana ilaç geliştirme maliyetlerinin her dokuz yılda bir yaklaşık iki katına çıktığı belirtilen süreçte, yeni bir ilacın piyasaya sürülmesinin ortalama 10 ila 15 yıl sürdüğü ve maliyetlerin 1 milyar ile 2,5 milyar dolar arasında değiştiği ifade ediliyor. Bu tabloda başarısızlık oranlarının yüzde 90'ın üzerinde olması, sektörü yeni çözümler aramaya itiyor.

Yapay Zeka ve Tahminleyici Tasarım Dönemi

Sektörün bu riskleri azaltmak için en büyük kozu yapay zeka oldu. Küresel yaşam bilimleri şirketi Cytiva'nın protein araştırma stratejisi direktörü Paul Belcher'a göre, ilaç şirketleri artık fiziksel taramalar yerine yapay zeka kullanarak ilaç adaylarını sıfırdan tasarlıyor. Bu yöntem, adayların hastalık hedefleriyle nasıl etkileşime gireceğini önceden tahmin ederek düşük kaliteli seçeneklerin fiziksel teste girmeden elenmesini sağlıyor.

Laboratuvarlardaki Fiziksel Darboğazlar

Yapay zeka hız kazandırsa da, oluşturulan adayların hala laboratuvar ortamında doğrulanması gerekiyor. Belcher, yapay zekanın henüz bileşiklerin kinetiğini veya geliştirilebilirliğini güvenilir şekilde tahmin edemediğini belirtiyor. Bu durum, geleneksel iş akışlarının üzerine binen yükü artırarak laboratuvar ekiplerinin daha çeşitli ve hacimli miktarda bileşiği test etme, karakterize etme ve saflaştırma zorunluluğunu beraberinde getiriyor.

Veri Duvarı ve Kalite Sorunu

Yapay zeka modellerinin gelişiminde karşılaşılan en büyük engellerden biri de veri kalitesi. Birçok modelin herkese açık veri setleriyle eğitilmesi, benzer sonuçların alınmasına ve getirilerin zamanla azalmasına neden oluyor. Mevcut veri setlerinin yapay zeka için tasarlanmamış olması; yapı, etiketleme ve çeşitlilik eksikliği gibi sorunları doğururken, yayınlama yanlılığı da veri setlerindeki eksiklikleri derinleştiriyor.

Ne anlama geliyor?

Sürecin temelinde, biyolojik hedeflere bağlanabilen moleküllerin tespit edilmesi yatar. Geleneksel yöntemler binlerce örneği tek tek deneyerek sonuç alırken, yeni sistemler matematiksel modellerle en uygun yapıları önceden belirler. Bu durum, fiziksel denemelerden önce dijital filtreleme yapılmasını sağlayarak kaynak israfını önler.

Ancak dijital ortamda başarılı görünen her yapı, fiziksel dünyada aynı performansı göstermeyebilir. Bu nedenle, yazılım tarafından üretilen taslakların gerçek kimyasal tepkimelerle doğrulanması zorunludur. Bu aşamada, sistemin ürettiği yüksek hacimli veriyle başa çıkabilecek daha gelişmiş ölçüm araçlarına ihtiyaç duyulur.

Sektördeki temel sorun, modellerin eğitildiği bilgilerin sınırlı olmasıdır. Bilgiler standartlaşmadığında veya sadece başarılı sonuçlar paylaşıldığında, yazılımlar hatalı çıkarımlar yapabilir. Doğru sonuçlara ulaşmak için verilerin belirli bir standartta düzenlenmesi ve sadece başarıların değil, başarısız deneylerin de sisteme dahil edilmesi gerekir.