MAMMAL - Moleküler Hizalanmış Çok Modlu Mimariler ve Biyomedikal Keşif için Dil

Neden Daha Akıllı İlaç Keşfi Önemli?

Yeni ilaçlar bulmak yavaş, riskli ve son derece maliyetlidir. Çoğu ilaç adayı hâlâ klinik denemelerde başarısız olur; çoğunlukla yıllarca süren çalışmalardan sonra. Aynı zamanda, biyoloji laboratuvarları şimdi genler, proteinler, hücreler ve kimyasallar hakkında devasa veriler üretiyor. Bu makale, tüm bu veri türlerinden aynı anda öğrenen yeni bir yapay zekâ sistemi olan MAMMAL’i tanıtıyor. Moleküller, hücreler ve ilaçlar arasındaki kalıpları bağlayarak, bilim insanlarının daha iyi hedefler seçmesine, daha iyi ilaçlar tasarlamasına ve süreçte maliyetli çıkmazlardan daha erken kaçınmasına yardımcı olmayı amaçlıyor.

Bir Beyin, Birçok Biyolojik Veri Türü İçin

Günümüzün biyomedikal yapay zekâ araçları genellikle uzmanlaşmıştır: bir model protein dizilerini işler, başka bir model küçük moleküllerle ilgilenir, bir diğeri yalnızca gen etkinliğine bakar. MAMMAL farklı bir yol izliyor. Proteinleri, antikorları, küçük molekül ilaçları ve gen ekspresyon profillerini aynı model tarafından okunabilecek farklı türde “cümleler” gibi ele alıyor. Bunu yapmak için araştırmacılar her veri türünü ortak bir dizi formatına dönüştürmenin esnek bir yolunu oluşturdu ve kamuya açık protein, antikor, kimyasal ve hücre düzeyi veri kümelerinden alınan yaklaşık iki milyar örnek üzerinde modern dil modellerine benzer bir büyük transformer tabanlı ağı eğitti.

İlaçların ve Hücrelerin Dilini Öğrenmek

MAMMAL hem biyolojik bilgiyi anlamak hem de üretmek üzere tasarlandı. Bağlanma gücü veya ilaç etkinliği gibi sayısal değerleri sınıflandırabilir, sıralayabilir veya tahmin edebilir; aynı zamanda yeni diziler icat edebilir, örneğin yeni antikor fragmanları önerebilir. Öne çıkan bir özellik, yalnızca simgeleri görmemesi; aynı zamanda deney ölçümleri gibi sayısal değerleri doğrudan alıp üretebilmesidir. Bu, bir ilacın bir proteine ne kadar güçlü bağlandığı veya bir kanser hücresinin bir tedaviye nasıl tepki verdiği konusunda akıl yürütmesine yardımcı olur. Bu görevlerin tümü, bir diziyi başka bir diziye dönüştürme gibi tek bir temel etkinliğin varyasyonları olarak çerçevelenir; tıpkı diller arasında çeviri yapmak gibi.

İlaç Boru Hattı Boyunca Modeli Test Etmek

Bu birleşik yaklaşımın gerçekten yardımcı olup olmadığını görmek için yazarlar, MAMMAL’in ince ayarlanmış sürümlerini ilaç keşfindeki gerçek adımları taklit eden on bir farklı kıstasa (benchmark) karşı test etti. Bunlar arasında tek hücre gen ekspresyon verilerinden hücre tiplerini tanıma, küçük moleküllerin kan–beyin bariyerini geçip geçemeyeceğini veya toksik yan etkilere neden olup olmayacağını tahmin etme, kanser hücrelerinin çeşitli ilaçlara nasıl yanıt verdiğini tahmin etme ve proteinlerin birbirine ya da küçük molekül ilaçlara ne kadar güçlü bağlanacağını öngörme yer aldı. MAMMAL, on bir testin dokuzunda en iyi bildirilen performansa ulaştı veya onu aştı; genellikle yalnızca tek bir veri türüne uyarlanmış yüksek uzmanlıktaki modelleri yendi.

Antikor Tasarımı ve Yapı Modellerini Kendi Oyunda Yenmek

En çarpıcı sonuçlardan bazıları protein temelli görevlerden geldi. Hedefle gerçekten temas eden en değişken segmentleri doldurmanın amaçlandığı bir antikor “tamamlama” (infilling) yarışmasında, MAMMAL önceki yöntemlerden çok daha sık doğru aminoasitleri geri kazandı; özellikle antikor bağlanma bölgesinin merkezi, kötü şöhretli zor bölgesinde. Ekip ayrıca MAMMAL’in bağlanan ve bağlanmayan antikorları ayırt edip edemeyeceğini sordu ve bunu, güven skorları bağlanma hakkında dolaylı bir tahmin olarak kullanılabilen yapı tahmin aracı AlphaFold 3 ile karşılaştırdı. Kanserle ilişkili büyük ve esnek proteinler de dahil olmak üzere yedi test hedefinin beşinde, MAMMAL’in bağlanma tahminleri açıkça daha doğru çıktı; oysa model yalnızca dizileri görmüştü, 3B yapıları değil.

Gerçek Dünya Etkisine Dair İşaretler

Kıstasların ötesinde, araştırmacılar modelin tahminlerinin laboratuvar gerçekliğiyle uyuşup uyuşmadığını kontrol ettiler. Bunlar arasında esas olarak kan kanserleri için onaylı olan Carfilzomib de dahil olmak üzere dört kanser ilacı incelendi. MAMMAL bu ilaçların yüzlerce hücre hattı arasındaki göreli güç sıralamasını doğru tahmin etti ve bu sıralama odaklı deneylerle doğrulandı. Bu bulgu, ilacın şu anda takdir edilenden daha geniş bir şekilde solid tümörlerde kullanılabileceği olasılığına işaret ediyor; bu da şimdi daha fazla test edilmesini gerektiriyor. Model ayrıca grip virüsleri ve diğer hedeflere karşı antikor aktivitesini tahmin etmeyi amaçlayan iş birliklerinde de umut verdi.

Gelecek İlaçlar İçin Bunun Anlamı

Basitçe söylemek gerekirse, MAMMAL biyoloji için çokdilli bir okuyucu ve yazar gibi davranıyor; genler, proteinler ve kimyasallar düzeyinde olanları tek bir çerçevede bağlayabiliyor. Birçok görevde gösterdiği güçlü performans, böyle birleşik modellerin bilim insanlarının laboratuvara girmeden önce in silico tedavileri keşfetmelerine yardımcı olan yapay zekâ destekli “sanal hücreler” in çekirdek bileşenleri haline gelebileceğini düşündürüyor. Deneylerin yerine geçmese de —ve hâlâ dikkatli doğrulama gerektiriyor olsa da— arama alanını daraltabilir, şaşırtıcı olasılıkları öne çıkarabilir ve fikirden onaylı bir ilaca giden uzun yolu biraz daha hızlı ve verimli hale getirebilir.

Atıf: Shoshan, Y., Raboh, M., Ozery-Flato, M. et al. MAMMAL - Molecular Aligned Multi-Modal Architecture and Language for biomedical discovery. npj Drug Discov. 3, 14 (2026). https://doi.org/10.1038/s44386-026-00047-4

Anahtar kelimeler: Yapay zekâ destekli ilaç keşfi, çok modlu biyomedikal modeller, antikor tasarımı, protein–ilaç etkileşimleri, gen ekspresyon profillemesi