Yapay zekanın (YZ) ilaç keşfi alanındaki entegrasyonu, araştırmacıların çeşitli hastalıklara yönelik yeni tedavilerin geliştirilme sürecini devrim niteliğinde değiştiriyor. Geleneksel yöntemler genellikle zaman alıcı ve maliyetlidir. Yeni bir ilacı pazara sunma süreci ise, 15 yılı bulabiliyor ve maliyeti 1-2 milyar dolara kadar çıkabiliyor.
Yapay zeka ve ileri düzey hesaplama araçları sayesinde araştırmacılar, ilaç keşfi sürecinde yeni ilaçların tanımlanmasını hızlandırabiliyor ve bu sayede hem zamanı hem de maliyeti önemli ölçüde düşürebiliyorlar.
Geleneksel İlaç Keşfinin Zorlukları
Geleneksel ilaç keşfi süreçlerinde, araştırmacılar önce bir biyolojik hedef, örneğin hastalığın ilerlemesinde rol oynayan bir protein, belirliyorlar ve sonra bu hedefi modüle edebilecek molekülleri arıyorlar. Biyolojik sistemlerin karmaşıklığı ve yaklaşık 1060 potansiyel kimyasal yapının varlığı, bu süreçte büyük bir zorluk oluşturuyor.
Geleneksel bilgisayar destekli ilaç keşfi (CADD) yöntemleri, genellikle ilaç-hedef etkileşimlerinin karmaşıklığını yeterince yansıtamayan basitleştirilmiş modellere ve varsayımlara dayanıyor, bu da klinik deneylerde yüksek başarısızlık oranlarına yol açıyor.
Yapay Zeka Tabanlı Sanal Tarama Yaklaşımı
Innoplexus, bir NVIDIA Inception startup’ıdır. Kendi geliştirdikleri derin öğrenme yöntemi, ilaç keşfi sürecini hızlandırmak için NVIDIA NIM mikroservislerini kullanır. Ayrıca, aşağıdaki bileşenleri içeren NVIDIA H100 GPU kümeleri ile çalışmaktadır:
- Hızlandırıcı: NVIDIA H100 Tensor Core GPU
- Hafıza: 80-GB HBM3 (Yüksek Bant Genişliği Belleği)
- İnterkonnekt: NVIDIA NVLink 4.0
- Küme Yapılandırması: Dağıtılmış eğitim ve çıkarım için yüksek hızlı bağlantılarla ölçeklenebilir, çok düğümlü kümeler
Bu yaklaşım, yeni moleküler yapıların hızla ve YZ destekli bir şekilde üretilmesini sağlayan NVIDIA NIM Agent Blueprint ile yönlendirilmektedir. Bu sayede moleküler simülasyonlar ve bağlanma işlemleri hız kazanır.
Innoplexus’un uzmanlığı ile NVIDIA’nın keskin YZ teknolojisinin birleşimi, yenilikçi tedavilerin keşfedilme ve pazara sunulma sürecini temelden dönüştürmekte; bu süreç hem daha hızlı, hem daha verimli, hem de daha hassas hale gelmektedir.
Innoplexus’un Derin Öğrenme Yöntemi
Innoplexus’un yöntemi, büyük ölçekli protein dizileri, yapı bilgileri ve moleküler etkileşimler verileri üzerinde eğitilmiş özel yapay sinir ağları (ANN’ler) kullanmaktadır.
Şekil 1.NVIDIA NIM mikroservisleri kullanılarak yapı ve ligand bazlı ilaç keşfi iş akışı
Innoplexus, aşağıdaki NVIDIA NIM mikroservislerini kullanmaktadır:
- AlphaFold2 ile protein yapı tahmini
- MolMIM ile optimize edilmiş öncül (lead) üretimi
- DiffDock ile moleküler bağlanma
Bu gelişmiş YZ araçlarının birleşimiyle, Innoplexus TDP-43 hedefini etkili bir şekilde hedefleme potansiyeline sahip, yeni tedavi adaylarını tanımlamayı ve ilaç keşfi sürecini hızlandırmayı hedeflemektedir. Bu yenilikçi yaklaşım, yeni tedavilerin geliştirilmesini hızlandırma ve nörodejeneratif hastalıklardan etkilenen hastaların yaşam kalitesini artırma potansiyeline sahiptir.
AlphaFold2 ile Protein Yapısı Tahmini
Kullanıcı tarafından sağlanan bir protein dizisi, AlphaFold2 NIM mikroservisi aracılığıyla işlenir ve hedef proteinin 3D yapısı doğru bir şekilde belirlenir. Bu aşama, dizinin bilinen proteinlerle hizalanmasını içerir ve doğruluğu artırmak için birçok hizalama konfigürasyonu sunar.
MolMIM ile Optimize Edilmiş Öncül Üretimi
Başlangıç kimyasal yapısı, MolMIM NIM mikroservisi üzerinden geçirilerek, ilaç benzerliği (QED), çözünürlük (cezalı log P) ve moleküler benzerlik gibi belirli özellikler için optimize edilmiş yeni moleküller üretilir.
Oluşturulan moleküller, gereksinimlerinize bağlı olarak birden fazla döngüde iteratif olarak optimize edilir.
DiffDock ile Moleküler Bağlanma
Moleküler bağlanma, ilacın proteinin optimum noktasına bağlandığını belirlemede yardımcı olur. Optimize edilmiş moleküller ve hedef protein yapısı, DiffDock üzerinden işlenir; bu da moleküllerin proteine bağlanma pozisyonlarını tahmin eder.
Oluşturulan pozların sayısını ve diğer bağlanma kısıtlamalarını tanımlayabilirsiniz, bu da potansiyel ilaç-hedef etkileşimlerinin kapsamlı bir analizini sağlar.
Post İşlem ADMET Pipeline’ı
DiffDock’tan sonra, en iyi bin küçük molekül, moleküllerin farmakokinetik ve farmakodinamik özelliklerini değerlendiren kendi ADMET (Emilim, Dağılım, Metabolizma, Atılım ve Toksite) pipeline’ı kullanılarak daha derinlemesine taramadan geçirilir.
Bu pipeline, aşağıdaki bileşenleri içerir:
- ADMET Tahmini: Özel model, moleküllerin ADMET özelliklerini, çözünürlük, geçirgenlik, metabolizma ve toksisite dahil olmak üzere tahmin eder.
- Filtreleme ve Sıralama: Moleküller, tahmin edilen ADMET özelliklerine göre filtrelenir ve sıralanır. Bu sayede sadece en umut verici adaylar daha ileri geliştirme için seçilir.
Innoplexus ADMET Modeli
ADMET modeli, moleküler yapıların ve bunlara karşılık gelen ADMET özelliklerinin büyük bir veri setini kullanarak tasarlanmış özel bir sinir ağıdır.
Model aşağıdaki gelişmiş tekniklerle eğitilmiştir:
- Çoklu görev öğrenimi: Model, aynı anda birden fazla ADMET görevine odaklanarak eğitilmiştir, bu da genel performansını ve doğruluğunu artırmaktadır.
- Transfer öğrenimi: Model, büyük bir moleküler yapı veri seti üzerinde ince ayar yapılarak eğitilmiştir, böylece yeni, hiç görülmemiş moleküllere de iyi uyum sağlamaktadır.
İş Akışı Optimizasyonu
Pipeline performans optimizasyonu için aşağıdaki yöntemleri kullanmaktadır:
- Veri paralelliği: Birden fazla GPU ve düğüm üzerinde dağıtılmış eğitim ve çıkarım.
- Model paralelliği: Büyük modellerin birden fazla GPU ve düğüm arasında bölünmesi.
- Pipeline paralelliği: Pipeline aşamaları arasında hesaplama ve iletişimin üst üste binmesi.
GPU’ların kullanımı ve hızlandırılmış hesaplama yöntemleri, bu çözüme ait hesaplama yoğun işlemleri hızlı bir şekilde gerçekleştirilmesini sağlamakta ve bunu pratik zaman dilimlerinde tamamlamayı mümkün kılmaktadır.
Gerçek Dünya Uygulamaları ve Etkileri
Innoplexus’un YZ destekli pipeline’ı, NVIDIA H100 kümeleriyle desteklenen hızlı bileşen tanımlama işlemleri ile sanal tarama ve moleküler bağlanma süreçlerini 10 kat hızlandırarak araştırmacılara şu görevleri yerine getirme imkanı tanır:
- 5.8 milyon küçük molekülü 5-8 saat süresinde tarayabilme.
- Bir milyon molekülden yüksek terapötik potansiyele sahip en iyi %1’lik bileşenleri birkaç saat içinde tanımlama.
- Öncül bileşenlerini %90 doğrulukla optimize etme.
YZ ve yüksek performanslı hesaplama gücünden yararlanarak, geniş kimyasal alanları hızla keşfeder ve terapötik gelişim için umut verici adayları belirleyerek ilaç keşfi sürecini önemli ölçüde hızlandırma imkanı sunmaktadır.
Başlayın
Yapay zeka ve yüksek performanslı hesaplama, ilaç keşfi alanını dönüştürme potansiyeline sahiptir; bu sayede potansiyel ilaç adaylarının daha hızlı ve daha doğru bir şekilde tanımlanmasını sağlar.
Kesim bir sinir ağı algoritmaları, üreten modeller ve gelişmiş moleküler bağlanma tekniklerinin birleşimiyle, Innoplexus’un sanal tarama pipeline’ı yeni ilaçların keşfini hızlandırmak için güçlü bir araç sunmakta; nihayetinde hasta sonuçlarını iyileştirmekte ve yeni tedavileri pazara sunma sürecinde hem maliyet hem de zaman tasarrufu sağlamakta.
Başlamak için NVIDIA NIM Agent Blueprint için üretken sanal taramayı keşfedin ve Innoplexus hakkında daha fazla bilgi edinin.
