İlaç-hedef etkileşimi, kimyasal bileşikler ve protein hedefleri arasındaki etkileşimlerin tanınmasını ifade eden ilaç keşfinde öne çıkan bir araştırma alanıdır. Kimyagerler, 2017 yılında Nature dergisinde yayınlanan bir makaleye göre, ilaca benzer özelliklere sahip 1060 bileşiğin yapılabileceğini tahmin ediyor – bu, Güneş Sistemi’ndeki toplam atom sayısından daha fazla.
Bir ilacı geliştirmek ortalama olarak 14 yıl sürüyor ve maliyeti 1,5 milyar dolara kadar çıkıyor. Bu uçsuz bucaksız “galaksi”deki ilaç keşif yolculuğu sırasında, DTI tespiti için geleneksel biyolojik deneylerin normalde maliyetli ve zaman alıcı oluyor.
Prof. Hou Tingjun, Zhejiang Üniversitesi Farmasötik Bilimler Fakültesi’nde bilgisayar destekli ilaç tasarımı (CADD) konusunda bir uzman. Geçtiğimiz yıllarda kendini bilgisayar teknolojisini kullanarak ilaçlar geliştirmeye adadı. “En büyük zorluk, bilinmeyen hedefler ve ilaç molekülleri arasındaki etkileşimlerde yatıyor. Bunları nasıl daha verimli bir şekilde keşfedebiliriz? Bu, yöntem geliştirmede yeni bir atılımı içeriyor.”
Son zamanlarda ise, yapay zeka (AI) yeni kapılar açtı. Hou, “Yapay zeka ile, ilaç keşfinde daha hızlı hareket ettiğimiz bir aşamaya varabiliriz, böylece ilaç geliştirmenin verimliliğini ve başarı oranını artırabiliriz” dedi.
Yapay zekaya ek olarak, genomik, proteomik ve farmakoloji gibi multi-omik veriler de gelişti. Her alanda muazzam bir biyomedikal bilgi okyanusu var. İlaçlar, proteinler, hastalıklar, yan etkiler, biyolojik süreçler, moleküler fonksiyonlar, hücresel bileşenler, biyolojik enzimler ve iyon kanalları hakkındaki bilgiler özel veri bankalarında depolanmış durumda. Bununla birlikte, ilaç keşfi için ne kadar önemli oldukları belirsizliğini koruyor.
Prof. He Shibo, Zhejiang Üniversitesi Kontrol Bilimi ve Mühendisliği Koleji’nde büyük veri ve ağ bilimi konusunda uzmanlaşmış bir akademisyen. He, “Bu alan özellikle disiplinler arası araştırmalar için çok uygun. Bu önemli biyolojik bilgi kütlesi, çok katmanlı ve heterojen bir ağ sistemine soyutlanabilir” dedi.
Kasım 2021’de Central South University’den Hou Tingjun, He Shibo ve Cao Dongsheng, Nature Communications dergisinde “Bilgi grafiğine ve öneri sistemine dayalı birleşik bir ilaç-hedef etkileşimi tahmin çerçevesi” başlıklı bir araştırma makalesini birlikte yayınladılar.
Hou, “Bu, AI’nın bilinmeyen protein hedeflerini tahmin etmedeki olağanüstü yeteneğini ve üstünlüğünü gösteriyor. “Bilinmeyen protein hedeflerinden” “bilinmeyen ilaç-hedef etkileşimlerini” keşfetmek, ilaç keşfinin geleceğinde inkar edilemez derecede önemli bir girişimdir, ” dedi.
He, “Karmaşık heterojen ağ madenciliği için AI kullanarak birçok ilginç şey yapabiliriz” dedi. Örneğin, ekip şu anda hepatit B ilaçlarının sanal olarak taranması ve ilaç sinerjisi üzerine araştırma yapmak için Tencent’teki bir laboratuvarla birlikte çalışıyor. “KGE’nin kullanımı yalnızca bilginin boyutunu genişletmekle kalmaz, aynı zamanda algoritmik sistemlerin yorumlanabilirliğini ve güvenilirliğini de destekler.”
Kaynak: Qing Ye ve diğerleri, Bilgi grafiği ve öneri sistemine dayalı birleşik bir ilaç-hedef etkileşimi tahmin çerçevesi, Nature Communications (2021). DOI: 10.1038/s41467-021-27137-3
