Yapay zeka ile üretken kimya, bilim insanlarının ilaç keşfi ve geliştirme süreçlerini, sağlık alanını ve malzeme bilimi mühendisliğini devrim niteliğinde etkileme potansiyeline sahiptir. Araştırmacılar, “kimyasal sezgi” kullanarak molekül tasarlamak ya da milyonlarca mevcut kimyasal maddeyi taramak yerine, sinir ağlarını eğiterek istenilen özelliklere göre uygun yeni moleküler yapılar önermeye teşvik edebilirler. Bu yetenek, daha önce sistematik olarak keşfedilmesi imkansız olan geniş kimyasal alanları açmaktadır.
Erken dönem başarılar bu üretken yapay zekanın yeniliği hızlandırabileceğinin vaadini gösterse de, bu başarılar sadece başlangıçtır. Üretken yapay zeka, molekül tasarımında henüz bir sihirli çözüm değildir ve AI tarafından önerilen moleküllerin gerçek dünyada uygulanması çoğu zaman bazı başlıkların önerdiği kadar kolay değildir.
Yapay Zeka ve Moleküler Tasarımda Zorluklar
Bugün, AI destekli moleküler tasarımda karşılaşılan temel zorluk, sanal tasarımlar ile gerçek dünya etkileri arasındaki farktır. Hesaplamalı üretken kimya modellerinin, tasarlanan moleküllerin kararlı, sentezlenebilir ve işlevsel olduğunu doğrulamak için deneysel geri bildirim ve moleküler simülasyonlara ihtiyacı vardır. Burada, otonom araçların eğitilmesi gibi, AI’nin de gerçek dünya verileri veya yüksek kaliteli simülasyonlarla eğitim alması gerekir.
Gelişmesine İlişkin Yaklaşımlar
Bunu sağlayan güçlü bir yaklaşım, oraklar (bir diğer adıyla skorlama fonksiyonları) yoluyla gerçekleşir. Üretken moleküler tasarımda, bir orak, önerilen molekülün arzu edilen bir sonuç açısından nasıl performans gösterdiğini belirten bir geri bildirim mekanizmasıdır. Bu, genellikle moleküler veya deneysel bir özellik (örneğin, etkinlik, güvenlik ve uygulanabilirlik) ile ilgilidir.
Bu orak, deneysel bazlı ya da hesaplama bazlı olabilir. Deneysel bazlı oraklar, AI tasarımlı bir ilacın hedef proteinle ne kadar iyi bağlandığını ölçen bir testi içerir. Hesaplama bazlı oraklar ise, moleküler dinamik simülasyonlar gibi yüksek kaliteli hesaplamalar kullanarak bir özelliği doğru bir şekilde tahmin eder.
Deneysel Oraklar: In Vitro Modeller
| Deneysel Orak Türü | Güçlü Yönleri | Sınırları | Gerçek Dünya Kullanımı |
| In vitro testler(biyokimyasal, hücre bazlı testler, yüksek hacimli tarama) | Yüksek biyolojik geçerlilik, küçük gruplar için hızlı, otomasyonla ölçeklenebilir. | Maliyetli, simülasyonlardan daha düşük verimlilik, in vivo etkileri yakalamayabilir. | Klinik öncesi ilaç adaylarını belirlemek ve optimize etmek için standarttır. |
| In vivo modeller(Hayvan testleri) | Güvenlik profilleri, dozaj gibi konularda içgörü sağlar. Genellikle ilaç onayı için kullanılır. | Pahalı, yavaş, etik kaygılar, türler arasındaki farklar insanlara uyarlanabilirliğini sınırlayabilir. | Klinik öncesi ilaç geliştirmede kullanılır, ancak giderek simülasyonlarla desteklenir. |
Hesaplamalı Oraklar ve Hedefler
Hesaplama bazlı oraklar, bir molekülün bağlanma enerjisini hesaplayan serbest enerji yöntemleri veya bir materyalin kararlılığını tahmin eden kuantum kimyası hesaplamaları gibi, deneylerin yavaş, maliyetli olduğu veya büyük ölçekli değerlendirmenin gerekli olduğu durumlarda deneylerin sanal temsilcileridir.
| Hesaplama Bazlı Orak Türü | Güçlü Yönleri | Sınırları | Gerçek Dünya Kullanımı |
| Kural bazlı filtreler(Lipinski’nin 5 Kuralı, PAINS uyarıları gibi) | Hızla kötü ilaç adaylarını işaretler, yaygın olarak kabul görmüş sezgiler. | Aşırı basitleştirilmiş, uygun ilaçları reddedebilir. | İlaç tasarımında uygun olmayan bileşenleri hızla elemek için kullanılır. |
| QSAR(Yapıdan aktivite tahmini üzerine istatistiksel modeller) | Hızlı, maliyet açısından etkili, ADMET özellik taraması için kullanışlı. | Deneysel verilere ihtiyaç duyar, yeni kimyalarla zorluk yaşar. | Başlangıç optimizasyonu ve kötü adayların elemesinde kullanılır. |
| Moleküler yerleştirme(Yapı bazlı sanal tarama) | Büyük kütüphaneleri hızlıca tarar, moleküllerin hedeflere nasıl bağlanacağını önerir. | Deneysel sonuçlarla karşılaştırıldığında sık sık hatalıdır, katı yapılar varsayar. | İlk ilaç keşfinde umut verici bileşenleri kısaca listelemede yaygın olarak kullanılır. |
| Moleküler dinamik ve serbest enerji simülasyonları(Molekül davranışını zaman içinde simüle etme) | Esnekliği ve etkileşimleri yerleştirme ile daha gerçekçi bir şekilde modelleyebilir. | Hesaplama olarak yoğun, yavaş, uzmanlık gerektirir. | İlaç adaylarının son aşama iyileştirmesinde kullanılır. |
| Kuantum kimyası bazlı yöntemler(elektronik yapının ilk prensip simülasyonları) | Moleküler etkileşimler, elektronik özellikler ve reaksiyon mekanizmaları üzerinde yüksek derecede doğru tahminler sağlar. | Son derece hesaplama açısından pahalı, sistem boyutuyla kötü ölçeklenir ve önemli uzmanlık gerektirir. | İleri etkileşim enerjilerini tahmin etme, lider bileşimlerin optimizasyonu ve atomik düzeyde reaksiyon mekanizmalarının anlaşılmasında kullanılır. |
Uygulamada, araştırmacılar genellikle öncelikle ucuz, yüksek verimli oraklar (hızlı hesaplamalı taramalar gibi) kullanarak AI tarafından üretilen molekülleri filtreler. Daha sonra en umut verici adaylar, daha yüksek doğruluklu oraklar (detaylı simülasyonlar veya gerçek deneyler) ile değerlendirilmektedir. Bu, değerli laboratuvar çalışmalarının yalnızca en iyi AI önerileri üzerinde yoğunlaşarak zaman ve kaynak tasarrufu sağlar.
Oraklar ile Yeni Moleküller
NVIDIA BioNeMo Çizim Planı, bu süreçlerin bir örneğidir. Bu planın aşamaları şunlardır:
- Hedef protein dizisi, OpenFold2 NIM‘ye iletilir, bu da o proteinin 3D yapısını çoklu dizilim araması ile doğru bir şekilde belirler.
- Başlangıç kimyasal kütüphanesi alt parçalara ayrılır ve GenMol NIM‘ye iletilir, bu da çeşitli küçük moleküller üretir.
- Başlangıç yapıları, ilaçların tahmini çözünürlüğü ve İlaç Benzerliği Hesaplaması (QED) gibi farklı özellikler için hızlıca hesaplanır ve sıralanır.
- Bu skorlar, üretilen molekülleri sıralamak ve filtrelemek için kullanılarak istenilen bir eşiğe ulaşana kadar iteratif nesil döngüleri boyunca devam eder. Üretilen küçük moleküllerin hedef proteine bağlanma şekilleri DiffDock NIM aracılığıyla tahmin edilir.
- Son olarak, optimize edilen moleküller sentez ve laboratuvar doğrulama için kullanıcıya geri döner.
Moleküler Tasarımdaki Devrimsel Yaklaşımlar
Bu oraklar, deneysel ve hesaplama bazlı geri bildirim mekanizmalarının AI destekli moleküler tasarımı dönüşüme uğratması, ilaç tasarımının pratik, sentezlenebilir ve işlevsel ilaç adaylarına ulaşmasını sağlar. Araştırmacılar, üretilen moleküller üzerinde sürekli bir döngü oluşturarak tasarımlarını doğrularlar.
Bu laboratuvar döngüsü, hızlı döngü sürelerini, kaynakların verimli tahsisini ve genel doğruluğu artırarak doğru ilaç benzeri özelliklerini tahmin etmeye yardımcı olur.
AI modelleri ve orak sistemleri geliştikçe, ilaç tasarımında sistematik ilerlemeler sağlanmaktadır. Yüksek kaliteli orakların entegrasyonu, sanal molekül tasarımı ile gerçek dünya başarısı arasındaki farkı daraltmaya devam edecektir. Bu, özelleşmiş tıp ve daha fazlası için yeni olasılıkları açmaktadır.
İlaç Tasarımına Oraklar
- Kendi oraklarınızı NVIDIA BioNeMo Çizim Planı kullanarak deneyin.
- Ya da, orak destekli moleküler üretim için MolMIM NIM‘yi kullanın.
