Süni İntellef Alimlərə Dərmanların Növbəti Nəslini Hazırlamağa Necə Kömək Edir

Dərman Kəşfiyyatında Süni İntellekt: Sİ Təbabətin Gələcəyini Necə Yenidən Formalaşdırır

Yeni bir dərman yaratmaq ən mürəkkəb və bahalı elmi çağırışlardan biridir. Orta hesabla, bir dərmanın hazırlanması 10-15 il və milyardlarla dollar tələb edir — və buna baxmayaraq, namizədlərin əksəriyyəti heç vaxt xəstələrə çatmır. Xüsusilə bioloji dərmanlarda — immun və onkoloji xəstəliklərin müalicəsində istifadə olunan zülal əsaslı terapiyalar — bu çətinlik daha böyükdür. Lakin süni intellekt məhz bu sahədə inqilab edir.

MIT Technology Review-in AstraZeneca alimləri ilə əməkdaşlıq çərçivəsində hazırlanan təhlili göstərir ki, Sİ dərman kəşfiyyatı prosesini necə dəyişdirir — zülal strukturunun proqnozlaşdırılmasından avtonom laboratoriya sistemlərinə qədər. McKinsey-in qiymətləndirməsinə görə, generativ Sİ və digər hesablama alətləri dərman kəşfiyyatı müddətini 50%-ə qədər azalda bilər ki, bu da əczaçılıq sənayesi üçün onlarla milyard dollar qənaət və ən əsası xəstələrin sağ qalma şanslarında əhəmiyyətli artım deməkdir.

AlphaFold İnqilabı: Quruluş Proqnozundan Zülal Dizaynına

Dərman kəşfiyyatında Sİ-nin ən böyük sıçrayışlarından biri DeepMind-ın AlphaFold-u oldu — zülalların üçölçülü quruluşunu proqnozlaşdırmaq problemini həll edən proqram. Bu problem 50 il boyunca biologiyanın ən çətin problemlərindən biri hesab olunurdu. AlphaFold təkcə tədqiqatı sürətləndirmədi, həm də bu gün Sİ əsaslı dərman dizaynının dayandığı təməli yaratdı.

AlphaFold-dan sonra yeni nəsil modellər meydana çıxdı — RFdiffusion, ProteinMPNN və tamamilə yeni zülal strukturları yaradan digər diffuziya modelləri. Bu o deməkdir ki, alimlər təkcə mövcud zülalları təhlil edə bilməz, həm də müəyyən xəstəliklərə yönəlmiş tamamilə yeni zülallar dizayn edə bilərlər.

Artıq bu gün tədqiqatçılar bu modellərdən istifadə edərək yüksək yaxınlıqla xüsusi hədəflərə bağlanan zülallar yaratdılar, dərman çatdırılması üçün sabit zülal iskeleləri dizayn etdilər və sənaye istifadəsi üçün fermentlər yaratdılar. Hesablama proqnozu ilə eksperimental validasiya arasındakı məsafə sürətlə azalır ki, bu da tamamilə Sİ əsaslı dərman dizaynının əlçatan olduğuna işarə edir.

Build-Measure-Learn Dövrü: Sİ-nin Laboratoriya İş Axınlarına İnteqrasiyası

MIT Technology Review məqaləsində təsvir olunduğu kimi AstraZeneca-nın yanaşması, build-measure-learn (qur-ölç-öyrən) dövrünə əsaslanır. Sİ namizəd molekulları hesablama metodları ilə yaradır və ya sıralayır, hansı dizaynın ən perspektivli olduğunu proqnozlaşdırır, sonra isə alimlər laboratoriya resurslarını yalnız ən yaxşı namizədlərə yönəldirlər.

"Etdiyimiz hər şey — dizayn, yaratma, test və ya analiz — artıq hesablama ilə gücləndirilmişdir," deyir Puja Sapra, AstraZeneca R&D Biologiya Mühəndisliyi üzrə Baş Vitse-Prezidenti. "Dövr müddətləri qısalır, məhsuldarlıq və innovasiya isə artır."

Bu yanaşma daha sıx əks-əlaqə dövrünə, daha az çıxılmaz istiqamətlərə, daha sürətli iterasiyaya və əvvəllər müalicəsi mümkünsüz hesab edilən xəstəlik hədəflərinə çatmaq imkanına gətirib çıxarır.

Çoxhədəfli Biologiya Dərmanlarının Dizaynı: Eyni Anda Bir Neçə Hədəfi Vurmaq

Ənənəvi biologiya dərmanları adətən tək bir xəstəlik mexanizminə təsir edir. Lakin dərmanların növbəti nəsli eyni anda bir neçə hədəfə təsir edə biləcək və ya terapevtik komponentləri dəqiq şəkildə müəyyən hüceyrələrə çatdıracaq. Belə mürəkkəbliyi idarə etmək insan imkanlarını aşır — minlərlə dəyişənin eyni vaxtda optimallaşdırılması tələb olunur. Məhz burada Sİ köməyə gəlir.

Sİ modelləri hansı iki və ya üç hədəfin prioritet olmasını müəyyən etməyə kömək edir, sonra isə molekulun effektivliyi, sabitliyi, istehsal qabiliyyəti və təhlükəsizliyi kimi çoxsaylı parametrləri optimallaşdırır.

"Məğlubedilməz hədəflərin dərmanlanması reallığa çevrilir," deyə bəyan edir Sapra. "Bu texnologiyalar nəticədə əvvəllər əlçatmaz hesab edilən hədəflərə qarşı dərman hazırlamağa imkan verəcək."

Məlumat Üstünlüyü: Keyfiyyətli Biologiya Məlumatlarının Önəmi

Hər bir Sİ modeli yalnız təlim məlumatları qədər yaxşıdır. Dərman kəşfiyyatında bu, böyük həcmdə yüksək keyfiyyətli biologiya məlumatlarının mövcudluğu deməkdir. AstraZeneca-nın məlumat bazaları molekulyar strukturları, bağlanma ölçmələrini, təhlükəsizlik profillərini və istehsal nəticələrini əhatə edir.

"Məlumat bizim fərqləndirici gücümüzdür," izah edir Sapra. "Biz çoxsaylı xəstəlik sahələrində məqsədyönlü şəkildə diversifikasiya olunmuş portfel yaratdıq. Bütün bu məlumatlar bizə qabaqcıl Sİ modellərini daha zəngin və təmsilçi təlim dəstləri ilə dəqiq tənzimləməyə imkan verir."

Vacibdir ki, hər bir təcrübə — uğurlu və ya uğursuz — nəyin işlədiyi və nəyin işləmədiyi barədə siqnal yaradır. Bu məlumatlar Sİ modellərini qidalandırır və onları daim təkmilləşdirir.

Avtonom Laboratoriya: Sİ + Robototexnika Qapalı Dövr Kəşfiyyat Sistemi kimi

AstraZeneca Kembricdə, Massaçusetsdə "gələcəyin laboratoriyası"nı qurur — burada Sİ və robot avtomatlaşdırma dərman kəşfiyyatı üçün fasiləsiz, qapalı dövr yaradır. "Özünüidarə edən avtomobil ətraf mühitdə naviqasiya üçün sensorlar və modellərdən istifadə etdiyi kimi, bu sistem proqnozlar vermək üçün Sİ-dən, təcrübələri yerinə yetirmək üçün robot sistemlərdən və məlumat yaratmaq üçün alətlərdən istifadə edir," izah edir Sapra.

Məlumatlar birbaşa modellərə qayıdır və hər növbəti dövrü sürətləndirir. Nəhayət, avtomatlaşdırılmış yüksək məhsuldar sistemlər həftədə minlərlə molekulyar qarşılıqlı təsiri qiymətləndirə biləcək — ənənəvi metodlar üçün əlçatmaz olan miqyas.

De Novo Dizayn: Sİ Tərəfindən Sıfırdan Yaradılan Dərmanlar

Son vizyon — istənilən terapevtik xüsusiyyətlərə tam uyğun gələn tamamilə yeni zülal ardıcıllıqlarının Sİ tərəfindən yaradılması. Bu, struktur dizaynı, təhlükəsizlik proqnozu, bədəndə davranışın modelləşdirilməsi və istehsal qabiliyyətinin qiymətləndirilməsini əhatə edir.

"Sahə tamamilə Sİ tərəfindən yaradılan, əvvəldən axıra qədər — sıfırdan klinik namizədə qədər — dizayn edilən bioloji dərmana doğru əhəmiyyətli irəliləyiş edir," deyir Sapra. "Mən inanıram ki, bu baş verəcək. Bu, zaman məsələsidir."

Lakin yol mürəkkəbdir. De novo dizayndakı ən çətin problemlərdən biri hesablama ilə yaradılan molekulun insan bədənində təhlükəsiz olub-olmayacağını proqnozlaşdırmaqdır. AstraZeneca bu problemi virtual klinik sınaqlar vasitəsilə həll edir — Sİ ilə birlikdə işləyən qabaqcıl hüceyrə sistemləri və mikro-orqan modelləri.

İnsan + Sİ: Əməkdaşlığın Gələcəyi

Bütün texnoloji nailiyyətlərə baxmayaraq, alimlər prosesin mərkəzində qalırlar. "Avtonom sistemlərdə belə, insan nəzarəti bu yanaşmanın qəlbi olaraq qalır — xəstələrin xeyrinə etik və izah edilə bilən Sİ-ni təmin etmək üçün," vurğulayır Sapra.

Mühəndislər "düşüncə tərəfdaşı" kimi fəaliyyət göstərən, qara qutu olmayan sistemlər yaradırlar. Bu, multimodal məlumatların birləşdirilməsi, qapalı dövr optimallaşdırması, qeyri-müəyyənliyin kəmiyyət qiymətləndirilməsi və klinik qərar səviyyəsində interpretasiya qabiliyyətini əhatə edir.

Bu gün Sİ artıq sadəcə bir alət deyil — o, dərman kəşfiyyatı infrastrukturunun əsas hissəsidir. MIT Technology Review təhlilinin göstərdiyi kimi, Sİ və biologiyanın kəsişməsində baş verən transformasiya təbabətin üzünü əvvəllər heç vaxt olmadığı kimi dəyişəcək — və bu, yalnız başlanğıcdır.

📖 Mənbə