Makine Öğrenimi Algoritması ile Yeni İlaç Araştırmaları
Araştırmacılar, endüstri standardından iki kat daha verimli olduğu gösterilen ve hastalıklar için yeni tedavi geliştirme sürecini hızlandırabilecek bir makine öğrenimi algoritması tasarladılar.
Cambridge Üniversitesi öncülüğündeki araştırmacılar, Alzheimer hastalığı ve şizofreni semptomları ile ilgili olduğu düşünülen bir proteini aktive eden dört yeni molekülü tanımlamak için geliştirdikleri bu algoritmayı kullandılar. Araştırmada elde edilen sonuçlar PNAS dergisinde yayımlandı.
İlaç keşfindeki temel problem, bir molekülün belirli bir fizyolojik prosesi aktive edip edemeyeceğinin öngörülmesidir. Bu prosesi aktive ettiği bilinen moleküller arasında paylaşılan kimyasal bağlantılar araştırılarak istatistiksel bir model oluşturmak mümkün, ancak deneyler yüksek maliyetli olduğu ve hangi kimyasal bağlantının istatistiksel olarak anlamlı olduğu belirsiz olduğundan dolayı bu modelleri oluşturan veriler sınırlıdır.
Cambridge Cavendish Laboratuvarı’ndan araştırmanın yürütücüsü Dr. Alpha Lee, ‘’ Makine öğrenimi, verilerin çok fazla olduğu bilgisayarlı görme (computer vision) gibi alanlarda önemli bir ilerleme kaydetmiştir. ‘’ diyerek açıklamada bulundu. ‘’ Bir sonraki sınır, veri miktarının nispeten sınırlı olduğu ancak bu problem hakkında fiziksel bir bakış açısına sahip olduğumuz ilaç keşfi gibi bilimsel uygulamalardır ve bu durum için sorulması gereken soru temel kimya ve fizik ile ilgili bu verilerin nasıl birleştirileceğidir.’’
Biyolojik kökenli ilaç firması Pfizer’in iş birliği ile Lee ve çalışma arkadaşları tarafından geliştirilen bu algoritma, farmakolojik olarak birbirleri ile ilişkili kimyasal bağlantıları diğer ilgisi olmayan bağlantılardan ayırmak için matematiği kullanmaktadır.
Önemli olarak, geliştirilen bu algoritma, hem aktif olduğu bilinen moleküllere hem de inaktif olduğu bilinen moleküllere bakar ve bu moleküllerin hangi kısımlarının ilaç etkinliği açısından önemli olup hangi kısımlarının ise önemli olmadığını ayırt etmeyi öğrenir. Raslantısal matris teorisi (random matrix theory) olarak bilinen bir matematik prensibi, rastgele ve gürültülü veri kümesinin istatistiksel özellikleri hakkında tahminlerde bulunur; daha sonra bu tahminler, şans eseri oluşanların aksine hangi kimyasal yapıların gerçekten bağlanma için önemli olduğunu ayırt edebilmek amacıyla aktif/inaktif moleküllerin özelliklerinin istatistiği ile karşılaştırılır.
Bu metodoloji, araştırmacıların sadece aktif olan moleküllerden değil aynı zamanda aktif olmayan moleküllerden de önemli kimyasal bağlantıları bulmalarına imkan sağlamaktadır. Bir başka deyişle, başarısız olan deneylerden de bu yöntem sayesinde yararlanılabileceği söylenebilir.
Araştırmacılar, 222 aktif molekül ile başlayan bir model tasarladılar ve ek olarak altı milyon molekülü sayısal olarak tarayabildiler. Araştırmacılar, bunlar içinden en alakalı 100 molekülü satın aldılar ve taradılar. Bu moleküllerin içerisinden, Alzheimer hastalığı ve şizofreni ile ilgisi olabilecek CHRM1 reseptörünü aktive eden dört yeni molekül tanımladılar.
Lee, ‘’ Altı milyon molekül arasından dört aktif molekülü bulup çıkarmak samanlıkta iğne bulmak gibi bir şeydi.’’ diyerek açıklamada bulundu. ‘’ Bire bir karşılaştırma, geliştirdiğimiz algoritmanın endüstri standardından iki kat daha iyi olduğunu gösteriyor.’’
Karmaşık organik moleküller oluşturmak, kimya alanında karşılaşılan önemli bir zorluktur ve potansiyel ilaçlar, henüz oluşturulmamış moleküller alanında bolca bulunur. Cambridge Üniversitesi araştırmacıları şu anda, malzemeleri keşfetmek için makine öğrenmesi metodolojisini geliştirmenin yanı sıra karmaşık organik molekülleri sentezleme yollarını da öngören algoritmalar geliştiriyorlar.
Bu araştırma, Winton Programme for the Physics of Sustainability tarafından desteklenmiştir.
Kaynak: phys.org
