KidneyTox_v1.0, küçük moleküllerde nefrotoksisiteyi açıklanabilir yapay zeka ile tahmin etmeyi mümkün kılar

İlaçların böbrekleri korumasının önemi

Birçok hayat kurtarıcı ilaç sessizce böbreklere zarar verebilir ve bazen yalnızca çok geç olduğunda belirgin hale gelen ciddi hastalıklara yol açabilir. Doktorların ve ilaç geliştiricilerin, yeni bir hap hastalara ulaşmadan önce bu riski erken aşamada tespit etmenin yollarına ihtiyacı vardır. Bu makale, küçük molekül bir ilacın böbreklere zarar verip vermeyeceğini tahmin etmek için açıklanabilir yapay zekâ kullanan ücretsiz bir çevrimiçi araç olan KidneyTox_v1.0’ı ve bu aracın kullanıcıya sonuca nasıl ulaştığını göstermesinin neden önemli olduğunu anlatıyor.

Parçalanmış verilerden büyük resme

Araştırmacılar öncelikle titizlikle küratörlüğü yapılmış 565 onaylı veya deneysel ilacı bir araya getirdiler. Yaklaşık yarısı insanlarda böbrek hasarı ile ilişkilendirilmişken, geri kalanların bilinen bir böbrek toksisitesi yok. Bu bileşikleri basit bir liste olarak ele almak yerine ekip önce onların “kimyasal komşuluğunu” haritalandırdı—boyut, ağırlık, lipofiliklik vs. hidrofiliklik eğilimleri, halka yapılarının sayısı ve molekülde dönüp esneyebilen bağ sayısı gibi temel özellikler. Setin çok geniş bir yelpazeyi kapsadığı; küçük, çok suya çözünebilen moleküllerden çok sayıda halkaya sahip büyük, esnek yapılara kadar uzandığı bulundu. Bu çeşitlilik önem taşıyor; aracın tek bir dar ilaç kimyası türü ile sınırlı olmadığı anlamına geliyor.

Bilgisayara riskli molekülleri işaret etmeyi öğretmek

Bu çeşitli veri kümesini kullanarak ekip, nefrotoksik ilaçları daha güvenli olanlardan ayırt etmeyi öğrenen bir makine öğrenimi modeli eğitti—örneklerden desenler öğrenen bir bilgisayar programı. Rastgele orman (random forest) adlı bir yönteme dayanan model, bir molekülün şekli, yük dağılımı ve diğer özelliklerini yakalayan çok sayıda sayısal tanımlayıcıyı inceliyor. Model dikkatle ayarlandı ve en bilgilendirici tanımlayıcılar seçildikten sonra sistem, görülmemiş test bileşikleri yaklaşık %84 doğrulukla sınıflandırdı. Bunun bir tesadüf olmadığını doğrulamak için yazarlar farklı eğitim–test bölmeleri denediler ve seçtikleri modelin tutarlı olarak en iyi performans gösterenler arasında yer aldığını buldular; bu da modelin verileri ezberlemek yerine genel kuralları öğrendiğini düşündürüyor.

Görsel açıklamalarla “kara kutuyu” açmak

Tıpta yapay zekâya yöneltilen yaygın eleştirilerden biri, sık sık bir kara kutu gibi davranmasıdır: bir ilacın tehlikeli olduğunu tahmin edebilir ama nedenini söyleyemez. Bunu önlemek için yazarlar KidneyTox_v1.0’a açıklanabilirlik özelliğini doğrudan entegre ettiler. Her tanımlayıcıya verilen katkıyı pozitif veya negatif olarak atayan SHAP adlı bir teknik kullandılar; bu, belirli bir molekül için nihai tahmine hangi özelliklerin ne yönde etki ettiğini gösterir. Pratikte kullanıcılar kırmızı çubukların tahmini “toksik”e ittiği, mavi çubukların ise “toksik değil”e ittiği bir şelale grafiği görürler. Örneğin, belirli elektronegatiflik ilişkili özelliklerin daha yüksek değerleri tahminleri böbrek hasarına doğru itme eğilimindeyken, moleküler esneklik veya polarizabilite ile ilişkili diğer özellikler genellikle daha güvenli bir profile işaret etti. Lansoprazol ve Siprofloksasin gibi böbrek problemleri ile ilişkilendirilen iyi bilinen ilaçlarla yapılan vaka çalışmaları, modelin uyarı sinyalini hangi özgül yapısal özelliklerin tetiklediğini gösterirken, nispeten daha güvenli ilaçlar bunun tersi bir desen sergiledi.

Benzerlik akıl yürütmesini AI içgörüsüyle harmanlamak

Ana modelin ötesinde çalışma, toksikolojik değerlendirmede uzun süredir kullanılan “read‑across” fikirleri ile makine öğrenimi tanımlayıcılarını birleştiren sözde qRASAR modelleri de geliştirdi. Burada bir ilacın riski kısmen bilinen toksik veya toksik olmayan komşularına ne kadar benzediğinden ve çevresindeki verilerin ne kadar tutarlı olduğundan çıkarılıyor. Dikkate değer şekilde, yalnızca üç benzerlik ve hata özelliğine dayanan sadeleştirilmiş bir model bile iyi performans gösterdi; bu, doğruluk ile şeffaflık arasında bir denge kuruyor. Bu, düzenleyiciler ve ilaç kimyagerlerinin bir bileşiğin bilinen böbrek hasarı yapan ilaçlara benzediğini görmekle kalmayıp, aynı zamanda ilgili komşuluk verilerine göre bu benzetmenin ne kadar güvenilir olduğunu da görebilecekleri anlamına geliyor.

Daha güvenli ilaçlar tasarlamak için pratik bir araç

Tüm bu unsurlar KidneyTox_v1.0’ta birleşiyor; kullanıcı dostu bir ara yüze sahip tarayıcı tabanlı bir platform. Bir kimyager yeni bir molekül çizebilir veya aracın içine standart metin kodunu (bir SMILES dizisi) yapıştırabilir ve birkaç saniye içinde “toksik” veya “toksik değil” tahmini, molekülün eğitim setine ne kadar benzediğine dayanan bir güven değerlendirmesi ve en yakın bilinen komşusuyla yan yana karşılaştıran grafikler alır. Altta yatan veriler ve kod açıkça paylaşıldığından, platform yeni böbrek toksisitesi bilgileri ortaya çıktıkça geliştirilebilir ve genişletilebilir; şirketler ayrıca yapılarını uzak bir sunucuda depolamadan tescilli bileşikleri test edebilirler.

Hastalar ve gelecek ilaçlar için anlamı

Düz bir ifadeyle, bu çalışma açıklanabilir yapay zekâ kullanarak, bir ilacın klinik denemelere veya eczane rafına ulaşmadan çok önce böbreklere zarar verme olasılığı daha yüksek olan adayları işaretleyebileceğimizi gösteriyor. Hangi moleküler özelliklerin böbrek hasarıyla en yakından ilişkili olduğunu ortaya koyarak KidneyTox_v1.0, kimyagerlere daha güvenli tasarım tercihleri konusunda yol gösterebilir—polarlığı, halka sistemlerini veya yük dağılımını değiştirerek riski düşürürken faydayı koruma gibi. Mevcut model birkaç yüz bileşiğe dayanıyor ve daha fazla veriyle gelişecek olsa da, zaten daha hızlı, daha ucuz ve daha insancıl güvenlik testlerine doğru pratik bir adımı temsil ediyor; nihai hedef, hastaları önlenebilir böbrek zararlarından korumaktır.

Atıf: Amin, S.A., Kar, S. & Piotto, S. KidneyTox_v1.0 enables explainable artificial intelligence prediction of nephrotoxicity in small molecules. Sci Rep 16, 5099 (2026). https://doi.org/10.1038/s41598-026-35496-4

Anahtar kelimeler: böbrek toksisitesi, ilaç güvenliği, yapay zeka, makine öğrenimi, kemoinformatik