Geleneksel ilaç geliştirme süreçleri genellikle 15-20 yıl sürerken milyarlarca dolara mal olmakta ve yüksek oranda başarısızlıkla sonuçlanmaktadır. Bu durum ilaç araştırma ve geliştirme faaliyetlerinde daha hızlı daha düşük maliyetli ve daha etkili yöntemlerin arayışına neden olmuştur. Son yıllarda bu arayışın merkezine yapay zekâ yerleşmiş durumda.
Yapay zekâ, ilaç geliştirme sürecinin birçok aşamasını dönüştürmektedir: hedef protein belirleme, molekül tasarımı, toksikolojik öngörü ve klinik aday seçimi gibi adımlar artık veri odaklı algoritmalarla yürütülmektedir. Derin öğrenme sistemleri büyük biyomedikal veri kümelerini analiz ederek yeni ilaç adaylarını tespit edebilmekte; generatif algoritmalar ise sıfırdan yeni kimyasal yapılar tasarlayabilmektedir. Bu teknolojiler sayesinde özgün ilaç adayları çok daha kısa sürede geliştirilebilmektedir.
Yapay zekânın bu yükselişi beraberinde etik, teknik ve yasal düzenleme ihtiyacını da doğurmuştur. Bugün artık yalnızca geliştirilen ilacın etkililiği değil bu sonuca nasıl ulaşıldığı yani algoritmanın hangi verilerle eğitildiği ve nasıl karar verdiği de denetlenmektedir.
Regülasyonlar
Farklı ülkelerin ilaç otoriteleri bu yeni alana yönelik çeşitli yaklaşımlar geliştirmiştir:
- Bazı ülkelerde yayımlanan resmi kılavuzlar, yapay zekâ modellerinin açıklanabilir olmasını zorunlu kılmaktadır. Yani algoritmaların neden belirli bir molekülü veya hasta grubunu seçtiği bilimsel olarak gerekçelendirilmelidir.
- Veri kaynağı güvenliği ve etikliği önem taşımaktadır. Kullanılan tüm verilerin onaylı, izlenebilir ve önyargısız olması beklenir.
- Kendini sürekli güncelleyebilen yapay zekâ sistemleri (adaptive AI), özel denetime tabidir. Bu tür sistemlerin ilaç ruhsatı alındıktan sonra da izlenmesi gerekebilir.
- Klinik öncesi süreçlerde yapay zekâ uygulamalarına çoğu ülke sıcak bakarken klinik veri üretiminde daha temkinli davranılmaktadır.
Bilimsel ve Teknolojik Gidişat
Dünya genelinde birçok araştırma merkezi ve teknoloji laboratuvarı, yapay zekâyı yalnızca veri analiz aracı değil ilaç keşfinin temel taşı olarak konumlandırmaktadır. Özellikle “ters protein katlanması” gibi yöntemler, biyolojik ilaçların bilgisayar ortamında tasarlanmasına olanak tanımakta ve bu durum nadir hastalıklar ya da genetik hedefli tedavilerde çığır açmaktadır.
Yapay zekâ, ilaç geliştirme süreçlerinde yardımcı bir araç olmaktan çıkmış doğrudan bilimsel karar verici konumuna gelmiştir. Ancak bu gücün faydaya dönüşebilmesi için sadece bilimsel değil aynı zamanda etik, şeffaf ve yasal olarak denetlenebilir bir şekilde kullanılması şarttır. Yakın gelecekte ilaç ruhsatları yalnızca kimyasal bileşimler üzerinden değil o bileşime giden algoritmik yolculuk üzerinden de değerlendirilecektir.
Bir eczacılık öğrencisi olarak bu konu eğitimimizin yalnızca klinik bilgilerle sınırlı kalamayacağını gösteriyor. Yapay zekâ, ilaç geliştirme süreçlerinin merkezine yerleşirken bizler de bu dönüşüme hazırlıklı olmalı; veri okuryazarlığı, dijital sağlık ve farmasötik bilişim gibi alanları mesleki donanımımızın bir parçası haline getirmeliyiz.
Kaynakça
- U.S. Food and Drug Administration (FDA). (2021). Artificial Intelligence/Machine Learning (AI/ML)-Based Software as a Medical Device (SaMD): Action Plan.
- European Medicines Agency (EMA). (2024). Reflection paper on the use of artificial intelligence (AI) in the medicinal product lifecycle.
- Lixia Fu, Guoshu Jia, Zhenming Liu & Yimin Cui. (2024). The applications and advances of artificial intelligence in drug regulation: A global perspective. Journal of Cybersecurity Innovation, 15(2), 234–249.
4.Jumper, J., Evans, R., Pritzel, A., Green, T., Figurnov, M., Ronneberger, O., … Hassabis, D. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596(7873), 583–589.
- Mane, S. A., Bakal, R. L., & Hatwar, P. R. (2025). Artificial intelligence in pharmaceutical research. Journal of Drug Delivery and Therapeutics, 15(6), 260–267.
