A360
Atlas Özet✦ Atlas AI
01
Yeni yapay zeka aracı, kendi tahminlerinin belirsizliğini ölçerek bilimde güvenilir yapay zeka için önemli bir adım atıyor ve 'kara kutu' sorununu aşıyor.
02
AstraZeneca testleri, aracın umut vadeden ilaç adaylarını belirlemede 3-5 kat daha etkili olduğunu göstererek Ar-Ge süreçlerinde büyük zaman ve maliyet tasarrufu sağladı.
03
Bu yaklaşım, yapay zekayı bilim insanları için şeffaf bir iş ortağına dönüştürerek ilaç keşfi ve diğer bilimsel alanlarda devrim yaratma potansiyeli taşıyor.
Atlas AI
Cambridge Üniversitesi ile AstraZeneca’nın geliştirdiği yeni yapay zeka aracı, ilaç keşfi sürecinde aday molekülleri daha erken ve daha isabetli seçmeyi hedefliyor. AI-UQ adı verilen model, klasik yapay zeka yaklaşımlarından farklı olarak yalnızca “tahmin” üretmiyor; her tahminin ne kadar güvenilir olduğuna dair bir belirsizlik puanı da veriyor.
Bu yaklaşım, kurumsal Ar-Ge yönetimi açısından iki temel riski azaltmayı amaçlıyor: yanlış güvenle ilerleyen dijital sonuçlar ve bu sonuçların tetiklediği gereksiz laboratuvar denemeleri.
İlaç keşfinde yapay zeka uzun süredir moleküllerin belirli özelliklerini öngörmek için kullanılıyor. Ancak birçok model, eğitim verisinin dışına çıktığında bile yüksek kesinlik izlenimi veren çıktılar üretebiliyor. “Kara kutu” olarak anılan bu durum, özellikle yeni kimyasal uzaylarda çalışan ekiplerde karar kalitesini düşürebiliyor. AI-UQ, eğitim verilerinde yer almayan veya modele “yabancı” kalan bir molekülle karşılaştığında belirsizliği yükselterek uyarı veriyor.
Böylece ekipler, hangi dijital tahminlerin doğrudan aksiyona çevrilebileceğini ve hangilerinin önce doğrulama testine ihtiyaç duyduğunu daha net ayırabiliyor.
Modelin performansı, AstraZeneca’nın gerçek ilaç keşfi projelerinde yapılan uygulama testleriyle değerlendirildi. Sonuçlara göre AI-UQ, belirsizlik ölçümü yapmayan modellere kıyasla umut vadeden adayları önceliklendirmede daha iyi çalıştı. Çalışmalarda, biyolojik olarak aktif olma olasılığı 3 ila 5 kat daha yüksek molekülleri tespit edebildiği raporlandı.
Bu fark, erken aşamada daha doğru eleme yapılması ve ilerleyen aşamalarda maliyeti artan “çıkmaz” projelere daha az kaynak ayrılması anlamına geliyor.
Araştırma ekibi, sistemi karar destek mantığıyla konumlandırıyor: Model, tek bir yanıt vermek yerine yanıtın güven aralığını da göstererek araştırmacının risk iştahına göre seçim yapmasına imkan tanıyor. Bu, özellikle portföy yönetimi yapan büyük ilaç şirketlerinde, aday havuzunun geniş olduğu ve laboratuvar kapasitesinin sınırlı kaldığı dönemlerde önem kazanıyor.
Çalışma Nature Machine Intelligence dergisinde yayımlandı ve belirsizlik ölçümünün, yapay zekayı “tahmin motoru” olmaktan çıkarıp daha denetlenebilir bir araştırma ortağına yaklaştırdığı vurgulanıyor.
Geliştirilen yaklaşımın etkisi yalnızca ilaç keşfiyle sınırlı kalmayabilir. Belirsizlik puanlaması, malzeme bilimi ve kimya gibi yüksek hassasiyet gerektiren alanlarda da benzer karar problemlerine uygulanabiliyor. Kurumlar açısından kritik nokta, bu tür modellerin üretim ortamına alınmadan önce veri yönetişimi, model doğrulama süreçleri ve sorumluluk çerçevesiyle birlikte ele alınmasıdır.
Ülke Etkisi: Birleşik Krallık’ta üniversite-sanayi işbirliğiyle geliştirilen bu tür araçlar, biyoteknoloji Ar-Ge kapasitesini ve araştırma fonlarının kullanım verimliliğini etkileyebilir. Düzenleyici tarafta, yapay zeka destekli keşif süreçlerinde izlenebilirlik ve doğrulama standartlarına yönelik tartışmaları hızlandırabilir.
Sektör Etkisi: İlaç şirketleri, aday önceliklendirmede belirsizlik puanını süreçlerine ekleyerek laboratuvar kapasitesini daha hedefli kullanabilir. Bu yaklaşım, yapay zeka tedarikçileri ve Ar-Ge yazılım ekosisteminde “güvenilirlik/denetlenebilirlik” odaklı ürünleşmeyi öne çıkarabilir.
Piyasa Etkisi: Ar-Ge verimliliğine dair beklentiler, büyük ilaç şirketlerinin proje portföyü risk algısını ve sermaye tahsisi tartışmalarını etkileyebilir. Yapay zeka altyapısı ve bilimsel yazılım sağlayıcılarına yönelik talep kanalı üzerinden teknoloji harcamalarında yeniden dağılım görülebilir.
