Temel bilimsel araştırmadan büyük ölçekli insan deneylerine kadar uzanan sürecin ortasında yer alan ve “ölüm vadisi” olarak adlandırılan bir aşama bulunuyor. Aslında pek çok ilaç geliştirme süreci başarısızlıktan ziyade ilaç şirketlerinin finansal kaygıları ve planlamaları nedeniyle sonlandırılıyor. Ancak kamu desteğiyle ölüm vadisinden kurtarılan ilaçlar da var. Örneğin kistik fibroz için Kalydeco, lösemi için Gleevec, meme kanseri için Herceptin gibi ilaçlar bu destekle geliştirildi.

Geçenlerde The Guardian’da okuduğum bir metinde,¹ ölüm vadisini aşmanın iki ila beş milyon sterlin arasında bir maliyeti olduğu belirtilmiş. Bu miktar zenginler için bir Aston Martin Valiant fiyatına veya iş insanı Richard Branson’ın Necker Adası’nı iki buçuk haftalığına kiralamasına denk geliyor. Metinde önerilen çözüm hayli ilginç: Ölüm vadisindeki ilaçların potansiyel olarak tedavi edebileceği hastalıklara yakalanan tek bir zenginin bu masrafı karşılaması. Öte yandan, maddi durumu diğer yetersiz hastaların klinik çalışmalara ücretsiz katılabilmesi de söz konusu.

Tıp etiği bu konuda ne der bilmiyorum, zira çokboyutlu ve karmaşık bir konu. Ancak metin beni başka bir soruya cevap aramaya yöneltti. Yapay zekânın hayatımızın bir parçası hâline geldiğini konuşuyoruz. Son birkaç yılda da doğrudan bilim, tıp ve ilaç geliştirme alanlarında kullanıldığına dair haberler daha sık karşımıza çıkmaya başladı. İlaç geliştirmede yapay zekâyı daha etkin kullanarak klinik çalışmaların maliyetini düşürebilir ve daha fazla ilacın başarıya ulaşmasını sağlayabiliriz. Son yıllarda yapay zekâ kullanılarak başlatılan ve klinik süreçlerin tümünü tamamlamış ilaçlar var mı? Yapay zekâ adını kullanan bu haberler ve makaleler süregelen hype’ın bir yansıması mı yoksa gerçekten yapay zekânın ilaç geliştirme sürecine önemli bir etkisi var mı?

Tıp ve biyolojide yapay zekâ kullanımı yeni değil. Zaten başlı başına “biyoinformatik” alanı tıpta ve biyolojide hesaplamalı yöntemlerin kullanılmasını ele alan bir disiplin ve uzun sayılabilecek bir geçmişi var. Önceden veri madenciliği ve istatistiksel yöntemler kullanırken derin öğrenmenin yükselişi, bu hesaplamalı yöntemleri kısmen makine öğrenimi ve derin öğrenmeyle değiştiriyor. İlaç geliştirmede yapay zekâ örneklerine bakınca göze çarpan ilk örneklerden biri, 2020 yılında Massachusetts Teknoloji Enstitüsü’nden (MIT) bir grup bilim insanının yapay zekâyı kullanarak bilinen tüm antibiyotiklere dirençli E. coli bakterisine yönelik bir çalışma.² Otuz günlük tedavi sürecinde bakteri ilaca direnç geliştirmiyor. Bu çalışmada, insan bağırsağında bulunan Escherichia coli ile Irak ve Afganistan’daki Amerikan askerlerinde görülen, hastane enfeksiyonlarına neden olan ve antibiyotik direnci yüksek Acinetobacter baumannii bakterisi hedef alınıyor. Araştırmacılar, daha önce diyabet tedavisi için geliştirilen ancak başarılı bulunmadığından kullanıma sunulmayan bir enzim inhibitörünün antibiyotik özelliği taşıdığını keşfetmiş. Bu keşifte yapay zekâ (bir tür derin öğrenme modeli) aracılığıyla, bilinen 2500 molekül arasından Escherichia coli büyüme inhibisyonunu tahmin eden bir derin öğrenme modeli eğitiliyor. Kullanılan yöntem de günümüzde büyük dil modelleri ve üretken görüntü/video modellerinden farklı olarak çizge tabanlı sinir ağlarına dayanıyor. Eğitilen model, belirli bir molekül yapısının Escherichia coli büyüme hızına etkisini tahmin edebiliyor. Bu model 100 milyondan fazla molekül içeren kimyasal veritabanında çalıştırılarak Halicin adlı antibiyotiğe ulaşıldı.

MIT’den aynı araştırmacılar, 2023 yılında benzer bir yapay zekâ yöntemiyle Acinetobacter baumannii bakterisini hedef alan yeni bir molekülün antibiyotik özelliği taşıdığını keşfetti.³ Peki, Halicin şu an bu bakterilere karşı kullanılan bir antibiyotik mi? Ne yazık ki Mart 2025 itibariyle ABD Gıda ve İlaç Dairesi (FDA) tarafından hâlen Araştırma Amaçlı Yeni İlaç (Investigational New Drug, IND) statüsünde bulunuyor. Yani COVID aşıları veya diğer ilaç geliştirme haberlerinden duyduğumuz Faz 1, 2 ve 3 klinik deneylerin bir aşamasında olmalı. Bu beni düşünmeye sevk etti: Ortalama ilaç geliştirme sürecinin on iki yıl veya daha fazla olduğunu biliyoruz. Peki, beş yıl içinde klinik çalışmaların tamamlanmamış olması normal mi yoksa bir başarısızlık mı? Yapay zekâ ilaç geliştirme süreçlerini gerçekten hızlandırıyor mu?

Konunun sadece yapay zekâ yönüne hâkim olduğum için bu soruma cevap ararken DNA tamiri, CRISPR teknolojileri ve özellikle kanser genomiği alanında uzman, Köln/Almanya’da Alman Havacılık ve Uzay Merkezi’nden (DLR) biyolog Dr. Özdemirhan Serçin’e danıştım.* Dr. Serçin’e göre yapay zekâ ve makine öğrenimi, doğa bilimleriyle her yönden tıbbi biyoloji ve kimyayla artık iç içe geçmiş ve ayrılmaz bir bütün hâline gelmiş durumda.

İlaç geliştirme sürecinde yapay zekâ kullanımı hakkindaki soruma cevabı şu şekilde oldu:

“Özellikle klinik öncesi deneylerde yapay zekâya her aşamada başvuruluyor. İlaç şirketleri hem protein yapılarını analiz etmekte hem de hâlihazırda klinikte kullanılan ilaçlara benzer molekülleri test ederek ön eleme yapmak için bu teknolojileri kullanıyor. Ben, FDA onayının hâlâ alınmamış olmasını, insanların yapay zekâya olan şüphesinden ziyade sürecin doğasından kaynaklandığını düşünüyorum. Çünkü bana göre yapay zekâ, FDA aşamasına gelmeden önce klinik öncesi deney verilerini çok daha iyi işleyerek süreci zaten hızlandırıyor. Daha hızlı ve verimli yapacağımız deneyler ve bu deneylerden elde edilen verileri işleme kapasitemiz arttıkça, bu tür heyecan verici gelişmelerin daha da hızlanacağını düşünüyorum.”

Sonuç olarak, Halicin ya da benzeri antibiyotik dışındaki yapay zekâ destekli ilaç geliştirme süreçlerinin henüz FDA onayı almamış olması normal görünüyor. Bunu şu an kesin olarak ölçmemiz zor olsa da klinik öncesi laboratuvar çalışmaları fiziksel kısıtlamalar, zaman, insan gücü ve finansal kaynaklar açısından daha verimli kullanıldıkça, ilaçların ölüm vadisine girmesi önlenebilir. Böylece daha fazla ilaç klinik aşamaları geçerek başarıya ulaşabilir.

İlaç Geliştirmede Yapay Zekânın Geleceği

Sağlık hizmetlerinde yapay zekâ pazarının küresel büyüklüğü 2024 yılında 27,69 milyar dolar olarak değerlendirildi. Bu pazarın 2025’te 39,4 milyar dolara ulaşması ve 2032 yılına kadar 490,96 milyar dolara çıkması bekleniyor. Bu da söz konusu dönemde %43,4’lük bileşik yıllık büyüme oranına karşılık geliyor.⁴ İlaç geliştirme alanı ise bu pazarın en büyük bileşenlerinden biri olma potansiyeline sahip.

Şekildeki aşamalar, genellikle bilinen üç fazlı klinik insan deneylerinin ötesinde, sürecin aslında çok daha uzun ve karmaşık olduğunu gösteriyor. Antibiyotik örneğinde olduğu gibi ilk aşamada hedef tanımlamadır. Yani geliştirilmek istenen ilacın neye yönelik olduğu belirlenir. Bu hedef tanımlama ve ilaç keşfi aşamalarında yapay zekânın çeşitli kullanım alanları bulunur. Halicin örneğinde olduğu gibi sanal tarama buna bir örnektir.

Bir molekülün ADMET (absorbsiyon, dağılım, metabolizma, ekskresyon, toksisite) özelliklerini bilmek, ilacın emilimi, vücutta dağılımı, metabolize edilmesi, atılması ve toksik etkileri hakkında bilgi sahibi olmak anlamına gelir. Bu bilgiler ilaç geliştirme sürecinde zaman ve kaynak tasarrufu sağlar ve daha etkili, güvenli ilaçların tasarlanmasına olanak tanır. ADMET özelliklerinin tahmini de önemli bir yapay zekâ uygulamasıdır.

Sentez yolu planlaması ise hedeflenen bir molekülün bilinen temel yapı taşlarından nasıl sentezleneceğini belirlemeye çalışır. Bu da ilaç geliştirme açısından kritik öneme sahip, derin öğrenmenin kullanıldığı başka bir uygulama alanıdır.

Tüm bu örnekler klinik aşamaya gelmeden önceki süreçleri kapsıyor. Klinik aşamalarda da yapay zekâ ve büyük veri, örneğin bir klinik çalışmanın başarı ihtimalinin tahmini ya da ilaç yan etkilerinin öngörülmesi gibi farklı alanlarda kullanılabilir.

İlaç onayı ve piyasaya sürülmesine kadar geçen sürenin ortalama olarak on yıldan fazla sürdüğü göz önüne alındığında bu teknolojilerin daha yeni uygulanmaya başlamış olması etkilerini hemen görmek için henüz erken olduğunu gösteriyor. Ayrıca, klinik çalışmaların yapılıyor olması o ilaç adayı mutlaka başarılı olacak demek de değil. İlaç geliştirme klinik çalışmalarının başarı oranı %5 civarında, hatta bu oran onkoloji alanındaki ilaçlarda sadece %1 ila %3 arasında.⁵

Klinik Çalışmaları Ötesinde Kullanım Alanları

Klinik çalışmalarla ilgili büyük veri, farklı araştırmalar için zengin bir kaynak sunuyor. Örneğin bir ilacın yalnızca etkinliği değil, hastaların genetik bilgileri, klinik geçmişleri, yaşam tarzları ve beslenme gibi tercihlerinin de tedavi üzerindeki etkisi incelenebiliyor. İlacın kendi özelliklerinin yanı sıra iki ilaç arasındaki etkileşimleri bilmek ve tahmin etmek de önemli bir uygulama alanı olarak öne çıkıyor.

Normal ya da patolojik seviyede olup olmadığını anlayabileceğimiz çeşitli biyolojik göstergeler (biomarker’lar) mevcut. Bunlar moleküler düzeyde kan testleriyle ya da radyoloji ve histopatoloji gibi tıbbi görüntüleme yöntemleriyle elde edilebiliyor. Ancak geleneksel, hipotez temelli biomarker keşif süreçleri fazlasıyla hantal ilerliyor. Yapay zekâ ise bu süreci hızlandırarak patolojik durumların daha hassas ve güvenilir bir şekilde ölçülmesini sağlıyor.

Yakın zamanda Nature Medicine dergisinde yayımlanan bir makaleye göre⁶ henüz faz-2 insan deneylerinin ötesine geçebilmiş yapay zekâ temelli geliştirilmiş bir ilaç bulunmuyor. Bu durumun başlıca nedeni ilaç geliştirme sürecinin çok aşamalı, disiplinler arası ve oldukça karmaşık olması. Ayrıca yüksek kaliteli eğitim verisinin eksikliği ve özellikle nadir hastalıklar ya da yeni hedefler için veri gizliliği ve fikri mülkiyet hakları nedeniyle veri setlerinin paylaşılamaması da süreci olumsuz etkiliyor. Diğer alanlarda olduğu gibi yapay zekâ modellerindeki veri yanlılığı, yeterince temsil edilmeyen gruplar ve modellerin tahmin ettiği özelliklerin doğruluğu başarım üzerinde doğrudan etkili.

Tüm bu zorluklar zamanla aşılacak gibi görünüyor. Belki de gelecekte klinik çalışmalar önce dijital ikiz (digital twin) simülasyon ortamlarında gerçekleştirilecek. Yakın zamanda duyurulan AlphaFold3 de bu bağlamda ilaç geliştirme açısından büyük önem taşıyor. Proteinlerin ligandlara ya da antikorların hedef proteinlere bağlanmasını tahmin edebilmesi ilaç etkileşimlerini öngörmede ciddi bir avantaj sağlıyor. İlaç geliştirmede diğer alanlarda olduğu gibi kendi kendini denetleyerek öğrenen ve çok az ya da hiç etiketli veriye ihtiyaç duymadan farklı problemlere uyarlanabilen temel modellerin (foundation models) kullanımı mevcut modellerin performansını büyük ölçüde aşacak. Böylece yakın gelecekte klinik aşamalarda kullanılan, hatta onaylanmış yapay zekâ destekli ilaçlara tanıklık edeceğiz. Kim bilir, belki de maliyetleri düşürerek ilaç geliştirme süreçlerini daha erişilebilir hâle getiren bu teknoloji ölüm vadisinin önüne geçecek ve bir zamanlar çaresiz sayılan hastalıkları ve özellikle kanser türlerini tedavi edilebilir kılacak.

{fold içindeki fotoğraf: Steve Knight (CC BY 2.0)}



* Bu değerlendirme Dr. Özdemirhan Serçin tarafından kişisel görüş olarak sunulmuş olup çalışmakta olduğu kurumu bağlamamaktadır.

1. Alexander Masters, “Many life-saving drugs fail for lack of funding. But there’s a solution: desperate rich people”, The Guardian, 11.03.2025.

2. J. M. Stokes, K. Yang, K. Swanson, W. Jin, A. Cubillos-Ruiz, N. M. Donghia ve J. J. Collins, “A deep learning approach to antibiotic discovery”, Cell 180(4) (2020): 688–702.

3. G. Liu, D. B. Catacutan, K. Rathod, K. Swanson, W. Jin, J. C. Mohammed ve J. M. Stokes, “Deep learning-guided discovery of an antibiotic targeting Acinetobacter baumannii” Nature Chemical Biology 19(11) (2023): 1342–1350.

4. “Artificial intelligence in healthcare market”, Fortune Business Insights, 17.03.2025.

5. C. H. Wong, K. W. Siah ve A. W. Lo, “Estimation of clinical trial success rates and related parameters”, Biostatistics 20(2) (2019): 273–286.

6. K. Zhang, X. Yang, Y. Wang, Y. Yu, N. Huang, G. Li ve S. Yang, “Artificial intelligence in drug development”, Nature Medicine (2025): 1–15.

bilim, hastalık, ilaç, ilaç geliştirme, Ömer Sümer, tıp, yapay zekâ