
Yeni bir biyolojik ilacı pazara çıkarmak zahmetli, pahalı ve uzun bir süreç. Kaynakların en büyük kaybı ise umut vadeden adayların klinik öncesi ya da klinik testlerde elenmesi. Yeni protein tasarlayabilen yapay zekâ modelleri bu kaybı azaltmak ve şirketlere daha isabetli atışlar yapma şansı vermek için öne çıkıyor. Şirketlerin de novo tasarım (sıfırdan tasarım) yaklaşımları farklı, ancak hepsinin ortak ihtiyacı aynı: modelleri geliştirmek için çok büyük miktarda eğitim verisi.
Sanofi’de biyolojik ilaçlarda yapay zekâ ve tasarım biriminin başındaki Norbert Furtmann, programlarının üç ayaktan oluştuğunu söylüyor: temel modeller (foundational models), özellik tahmini ile sanal tarama (virtual screening) ve de novo tasarım.
Sanal tarama özellikle çoklu özgüllüklü (multispecific) moleküllerde değerli. A, B ve C hedeflerine karşı optimize edilmiş yapı taşları birleştirildiğinde tasarım uzayı yüz binlerce molekülü bulabiliyor ve hepsini laboratuvarda denemek mümkün olmuyor. Furtmann, tek özgüllüklü bir molekülün beşi bir araya getirildiğinde iyi davranmayabileceğini, bu durumda optimizasyona baştan başlamak gerektiğini vurguluyor. Bu yüzden yapı taşlarını baştan “uçtan uca” düşünüyorlar.
Furtmann’a göre geleneksel yöntemlerin zorlandığı bir hedefte de novo platformuyla işlevsel bağlayıcılar (binder) üretildi ve bunlar şimdi multispesifiklere doğru ilerliyor. Stratejinin anahtarı “lab-in-the-loop” iş akışı: Yapay zekânın ürettiği tasarımlar laboratuvarda sentezleniyor, elde edilen veri modele geri verilerek tasarımlar ince ayarlanıyor. Bunun için otomasyona yoğun yatırım yapılıyor.
İsrail’in Ness Ziona kenti ile Washington’da konumlanan Biolojic Design, iki ya da daha fazla hedefe bağlanacak şekilde mühendislik yapılmış standart insan antikorları olan “multibody”‘ler geliştiriyor. İki farklı antikorun parçalarından oluşan bispesifik antikorların aksine multibody’ler, klasik insan IgG antikorunun tanıdık yapısını koruyor. Böylece sıradan antikorların üretim, düzenleme, farmakokinetik ve güvenlik avantajlarından yararlanırken tek ilaçla birden fazla terapötik etki hedefleniyor.
Antikorlar hedeflerini altı tamamlayıcılığı belirleyen bölge (complementarity-determining regions, CDR) üzerinden tanıyor, ancak antijen bağlanması için bu yüzeyin yalnızca küçük bir kısmı gerekiyor. Kurucu ve CEO Yanay Ofran’a göre bilinen antikor-antijen çiftlerinin çoğunda CDR’lerin büyük bölümü bağlanmaya katılmıyor.
“Her antikorda çok miktarda ‘boş arazi’ var. Modellerimiz bu boş araziyi tam olarak belirlememizi ve ek bağlanmaya uyum sağlayacak şekilde ‘geliştirmemizi’ sağlıyor.” — Yanay Ofran, Biolojic Design
Yapay zekâ modeli molekülün bu kısmını yeniden tasarlıyor ve özgüllükten ödün vermeden ek epitopların tanınmasını sağlıyor. Her kol aynı anda yalnızca bir hedefe koşullu olarak bağlanıyor, ancak ilaç tümöre, dokuya ya da hastaya göre farklı bağlanıyor. Bu uyum, tümör heterojenliğiyle başa çıkmaya ve hedef dışı etkileşimleri sınırlamaya yardımcı olabilir.
Biolojic her proje için geçici ve çok özelleşmiş modeller ince ayarlıyor. Ofran bunu birkaç aylık yoğun bir çaba olarak tanımlıyor: Tek bir ilaç üretiliyor ve model emekliye ayrılıyor. Süreç şöyle işliyor: Mevcut modeller, belirli bir hedefe bağlanma ya da iyi bir geliştirilebilirlik profili gibi istenen özelliği taşıması beklenen yaklaşık bir milyar antikor öneriyor. Araştırmacılar varyantları sentezleyip test ediyor, bağlanma afinitesi, ekspresyon, özgüllük ve kararlılık ölçümlerini modele geri besliyor. Model, gerekli tüm özellikleri birleştiren adaylar öneriyor ve bunlar laboratuvarda değerlendiriliyor.
Bir Biolojic ürünü, koşullu agonist/antagonist, Faz II çalışmalarına girdi. Antikor, sitokin IL-2’ye bağlama bağlamına göre bağlanıyor: Tümöre saldıran T hücrelerini uyarırken tümörü koruyan T hücrelerini engelliyor. Ürün, Biolojic’in yan kuruluşu Aulos Bioscience tarafından geliştiriliyor. Ofran’a göre güvenlik ve etkinlik verileri şimdiye kadar cesaret verici.
Kanıt çalışmaları farklı hedef, deney ve metriklere dayandığında modelleri nesnel biçimde kıyaslamak zorlaşıyor. Seattle merkezli A-Alpha Bio’nun devreye girdiği nokta burası. Uygulamalı makine öğrenmesi direktörü Natasha Murakowska, asıl sorunun hangi tür verinin daha iyi model kurmaya yardım ettiği olduğunu söylüyor.
Şirket büyük bir VHH de novo tasarım ölçütü (benchmark) yürütüyor. Yaklaşık bir düzine grup, 10.000’er tasarlanmış antikor dizisi gönderecek. A-Alpha bunları sentezleyip 10 hedeflik bir panele karşı test edecek ve yaklaşık 110.000 VHH elde edecek. Amaç yalnızca bağlanıp bağlanmadığını değil, ne kadar güçlü ve ne kadar özgül bağlandığını, kazananları ayıran dizi ya da yapı özelliklerini de değerlendiren en büyük “elmayla elma” karşılaştırmasını kurmak.
Çalışmanın merkezinde, A-Alpha’nın kütüphaneye karşı kütüphane maya yüzey sergileme deneyi AlphaSeq var. Bir kütüphane antikorları, diğeri hedefleri kodluyor. Birleştirildiklerinde tüm ikili etkileşimler ölçülüyor. Murakowska’ya göre bu, deney başına yaklaşık bir milyon nicel protein-protein etkileşim veri noktası üretiyor ve yalnızca hedef afinitesini değil hedef dışı etkileri de ortaya koyuyor.
Hedef paneli üç zorluk kademesine ayrılıyor:
A-Alpha ayrıca, farklı büyüklükteki şirketlerin ortak bir deneysel çerçevede yeni ve paylaşılan AlphaSeq veri setleri ürettiği Atlas Consortium‘u başlattı. Mantık şu: Her üye veri setiyle katkı vererek diğer üyeler için katılımın değerini artırıyor.
Anthropic, Claude modellerinin neredeyse hiç insan müdahalesi olmadan minibinder tasarlayabildiğini gösteren sonuçlar yayımladı. Model 15 protein hedefine karşı bağlayıcılar tasarladı ve tasarımlar sentez ve değerlendirme için Adaptyv Bio ile Twist Bioscience’a gönderildi. Testler, Claude’un tasarladığı minibinder’ların 15 hedefin 14’ü için başarılı olduğunu doğruladı.
Claude bunun için RFdiffusion3 gibi omurga üreticileri, ProteinMPNN gibi dizi tasarım araçları ve sentez öncesi adayları elemekte kullanılan yapı tahmin yazılımları dahil mevcut açık kaynaklı yazılımlardan yararlandı. Bu çerçevede her hedefin hangi yüzeyine bağlanılacağını seçti, tasarım araçlarını seçip birleştirdi, adayları filtreledi ve 24-48 saatlik otonom çalışmaların ardından hedef başına 30 sıralı tasarım sundu. İnsan katkısı hedef seçimi, izin verme ve altyapının düzgün çalıştığından emin olmakla sınırlı kaldı.
1.320 tasarımdan 354’ü hedefine bağlandı, yani genel isabet oranı %27 oldu. Sonuçlar hedefe göre büyük farklılık gösterdi. Claude maltoz bağlayıcı protein için bağlayıcı üretemedi, ancak diğer yapay zekâ tasarım girişimlerini zorlayan, terapötik açıdan önemli TNFα’ya karşı birkaç bağlayıcı üretti. Tasarımlar yalnızca bağlanma afinitesi açısından değerlendirildi, aktivite ölçülmedi ve hiçbirinin yapısı çözülmedi. Anthropic sonucu, yapay zekâ sistemlerinin ilaç keşfini uçtan uca otonom yürütmesi hedefine doğru temel bir adım olarak tanımlıyor.
Twist Bioscience CEO’su Emily Leproust, minibinder’ların ilaç olmak üzere tasarlanmadığını hatırlatıyor. Terapötik tasarımı için daha büyük ve karmaşık modellere, dolayısıyla daha fazla veri noktasına ihtiyaç var. Leproust, yapay zekâ ile bağlanma ve geliştirilebilirliğin eş zamanlı birlikte optimizasyonunun mümkün olduğunu da vurguluyor. Geleneksel taramada önce bağlanma optimize ediliyor, geliştirilebilirlik sonradan mühendislikle ekleniyor ve bu verimsiz olabiliyor. İkisini paralel optimize etmek, bir antikorun klinikte iyi davranma olasılığını artırabilir.
Haber kaynağı: GEN
Tüm Hakları Saklıdır © 2026 - Tasarım ve Yazılım: brain.work