İlaç keşfinde yapay zeka, veri kalitesi ve önyargı sorunlarıyla karşı karşıya

İlaç geliştirmenin yüksek maliyeti ve uzun zaman çizelgeleri, ilaç şirketlerini başarı oranlarını artırmak ve riskleri azaltmak için yapay zekayı (YZ) benimsemeye itiyor. YZ, dev moleküler kütüphanelerin geleneksel fiziksel taramasının yerini alarak, ilaç adaylarını sıfırdan tasarlamak ve bunların hastalık hedefleriyle etkileşimlerini tahmin etmek için kullanılıyor. Bu değişim, şirketlerin umut verici bileşikleri daha hızlı belirlemesine ve laboratuvar testlerinden önce düşük kaliteli adayları elemesine olanak tanıyarak zaman ve kaynak tasarrufu sağlıyor.

Bununla birlikte, YZ tarafından üretilen adaylar hala laboratuvar doğrulaması gerektiriyor çünkü mevcut modeller kinetiği veya geliştirilebilirliği güvenilir bir şekilde tahmin edemiyor. Bu durum, artan hacimdeki çeşitli, YZ tarafından üretilen bileşikleri test etmek ve karakterize etmek zorunda olan laboratuvar ekipleri üzerindeki baskıyı artırdı. İkili evet-hayır sonuçları için tasarlanmış geleneksel tarama iş akışları, bu karmaşık adaylar için gereken ayrıntılı verileri sağlamakta zorlanıyor.

Önemli bir zorluk, eğitim verilerinin kalitesi ve eksiksizliğidir. Birçok YZ modeli, yapı, etiketleme ve çeşitlilikten yoksun genel veri kümelerine güveniyor ve bu da modellerin azalan getirilerle benzer sonuçlara ulaştığı bir "veri duvarına" yol açıyor. Yayın yanlılığı bunu daha da kötüleştiriyor çünkü çoğu genel veri olumlu sonuçlara odaklanırken, başarısız deneyler ve bağlanmayan bileşikler gibi olumsuz veriler yayınlanmamış durumda. Cytiva'da protein araştırma stratejisi direktörü Paul Belcher, bu yanlılığın modellerin başarısızlıklardan öğrenme ve güvenilir tahminler yapma yeteneğini sınırladığını belirtiyor.

Veri bütünlüğü başka bir endişe kaynağıdır. Western blot gibi görüntülerin tahrif edilmesi, üretken YZ ile daha kolay hale geldi. Mikrobiyolog Elisabeth Bik tarafından yapılan araştırma, 2016 itibarıyla biyomedikal makalelerin neredeyse %4'ünün kopyalanmış veya manipüle edilmiş görüntüler içerdiğini buldu. Belcher, YZ'yi eğitmek için kullanılan manipüle edilmiş verilerin feci sonuçlara yol açabileceği konusunda uyarıyor. Bazı satıcılar, Cytiva'nın kurcalamayı tespit etmek için güvenli karma algoritmaları kullanan Image Integrity Checker'ı gibi veri orijinalliğini doğrulamak için araçlar geliştiriyor. Yayınevleri, bu tür araçları standart uygulama olarak benimsemeye ilgi gösteriyor.

Geleceğe bakıldığında, sektörün YZ'nin ilaç keşfindeki potansiyelini tam olarak gerçekleştirmek için bu veri zorluklarını ele alması gerekiyor. Bu, olumsuz sonuçları içeren daha kapsamlı veri kümeleri oluşturmayı, veri etiketleme ve yapısını iyileştirmeyi ve veri bütünlüğünü sağlamak için doğrulama araçları uygulamayı içeriyor. Bu adımlar olmadan, YZ modelleri önyargıları sürdürme ve güvenilmez tahminler üretme riski taşıyarak, ilaç geliştirmeyi hızlandırma vaadini baltalıyor.