Moleküllerin Keşfi Artık Daha Hızlı Olacak
İlaç ve malzeme üretimi için gerekli moleküllerin keşif süreci oldukça zor ve masraflı bir süreçtir. Bu süreç, muazzam hesaplama kaynaklarını ve potansiyel adayların büyük bir alanını daraltmak için aylarca insan emeği gerektirmektedir.
Büyük dil modelleri (LLM’ler) olan ChatGPT gibi yapay zeka sistemleri, bu süreci hızlılaştırabilir. Ancak, bir LLM’nin atomlar ve molekül oluşturan bağları anlaması ve akıl yürütmesi, kelimelerin oluşturduğu cümleleri anlama yeteneğiyle aynı düzeye getirilmesi bilimsel bir engel teşkil etmiştir.
Yeni Bir Yaklaşım: Llamole
MIT ve MIT-IBM Watson AI Laboratuvarından araştırmacılar, bu zorluğu aşmak için graf tabanlı modeller ile bir LLM’yi birleştiren umut verici bir yaklaşım geliştirdiler. Bu yöntem, bir temel LLM’nin kullanıcıdan alınan istenen moleküler özellikleri doğal dildeki sorguları anlamasını sağlıyor.
Bu sistem, molekül tasarlarken ve açıklarken, temel LLM ile graf tabanlı AI modülleri arasında otomatik olarak geçiş yapıyor. LLM, metin, grafik ve sentez aşamalarını birleştirerek, kullanıcıya istenen molekülü geliştirmek için bir süreç adım planı üretiyor. Bu sayede moleküllerin grafik temsilleri ve bunlarla ilgili metin bir araya getiriliyor.
Mevcut LLM tabanlı yöntemlerle karşılaştırıldığında, bu çoklu modlu teknik, kullanıcı spesifikasyonlarına daha uygun moleküller üreterek geçerlilik planlarında da başarı oranını %5’ten %35’e çıkardı.
“Bu, hastalıkların tedavisi için yeni moleküllerin tasarımını tamamen otomatikleştiren bir çözüm olabilir” diyor Michael Sun, MIT’den bir yüksek lisans öğrencisi ve bu tekniğin yazarlarından biri. “Eğer bir LLM birkaç saniye içinde doğru cevabı verebiliyorsa, bu ilaç firmaları için büyük bir zaman tasarrufu demek.”
Moleküler Tasarımda Yenilik
Büyük dil modelleri, kimyanın inceliklerini anlamakta zorlanıyor. Bu durum, belirli işlevleri veya özellikleri olan moleküler yapıları belirleme süreci olan ters moleküler tasarımda sorunlar yaratıyor. Bunun sebebi, moleküllerin sıralı metin olarak kodlanması zor olan “graf yapıları”dır; çünkü moleküller atomlar ve bağlardan oluşur ve belirli bir sıralama içermezler.
MIT araştırmacıları, LLM’yi graf tabanlı AI modelleriyle bir bütün olarak birleştiren bir çerçeve tasarladı. Llenole adı verilen bu sistem, kullanıcıdan alınan istekleri anlamak için temel bir LLM kullanıyor. Örneğin, bir kullanıcı kan-beyin bariyerini geçip HIV’i inhibe eden bir molekül arıyorsa, Llamole bu isteğe göre molekül tasarımı yapabiliyor.
Sistem, kullanıcının sorgusuna yanıt verirken farklı graf modülleri arasında geçiş yaparak çeşitli yöntemler kullanıyor. Llamole, nihayetinde bir molekülün yapısını, bu molekülün metinsel açıklamasını ve nasıl sentezleneceğine dair aşamalı bir plan sunuyor.
Gelecek Hedefleri ve Geliştirmeler
Elde edilen sonuçlar oldukça umut verici. Llamole, daha önceki yöntemlere göre çok daha kaliteli moleküller üreterek, retrosentetik planlama başarı oranını %5’ten %35’e yükseltti. Araştırmacılar, bu sürecin bazı sınırlamalarını aşmak için sistemin veri kümesini genişletmeyi planlıyor. Ayrıca, bu yaklaşımın diğer alanlara da uygulanabilmesi için gelecekte çok modlu LLM’ler geliştirmeyi hedefliyorlar.
“Llamole, büyük dil modellerinin metin dışındaki karmaşık verilerle etkileşim kurabileceğini gösteriyor ve bunun diğer AI algoritmalarıyla birleştirilerek çeşitli graf problemlerini çözmek için bir temel olacağını düşünüyoruz.” diye ekliyor Jie Chen, MIT-IBM Watson AI Laboratuvarı’nda kıdemli araştırma bilimcisi ve yöneticisi.
