Stanford Üniversitesi Biyomedikal Veri Bilimi Doçenti James Zou, laboratuvarındaki yoğun araştırma gündemine yetişemeyince farklı bir yöntem geliştirdi. Kendi ekibini model alan yapay zeka ajanlarından oluşan bir “sanal laboratuvar” kurarak, üzerinde çalışmaya fırsat bulamadığı deneyleri bu dijital ekibe devretti. Sonuç, yalnızca birkaç gün içinde, hem yeni varyantlara karşı etkili hem de orijinal COVID-19 virüsüne karşı güçlü koruma sağlayan iki nanobody adayı oldu.
Araştırmada öne çıkan yenilik, yaygın olarak kullanılan antikorlar yerine nanobody’lerin tercih edilmesi. Develer gibi bazı hayvan türlerinde doğal olarak bulunan bu küçük moleküller, daha kararlı yapıları ve kolay modellenebilir olmaları sayesinde yapay zeka ajanları tarafından öncelikli olarak seçildi. Trilyonlarca olası kombinasyonu tarayan sistem, 92 farklı nanobody tasarladı. Fiziksel deneylerde bu nanobody’ler hem son varyantlara hem de diğer COVID-19 türlerine karşı bağlanma başarısı gösterdi.
Sanal laboratuvar, bir “baş araştırmacı” ve “bilimsel eleştirmen” rolündeki yapay zeka ajanlarıyla yönetiliyor. Baş araştırmacı ajan yeni görevler tanımlıyor, uzman rollerde ajanlar atıyor; bilimsel eleştirmen ise bulguları sorguluyor, hataları düzeltiyor ve çözüm önerilerini geliştiriyor. İnsan araştırmacı sürecin yalnızca yüzde 1’ine doğrudan katkı verirken, geri kalan iş yapay zeka ekibi tarafından tamamlandı. Platform açık kaynaklı olarak GitHub üzerinden erişime açık durumda ve Alzheimer gibi farklı alanlarda biyobelirteç keşfi için de kullanılabiliyor.
Stanford ekibinin bulguları Nature dergisinde yayımlandı. Çalışmada James Zou’nun yanı sıra Chan Zuckerberg Biohub’dan John Pak ve Stanford Bilgisayar Bilimi mezunu Kyle Swanson da yer aldı. Araştırma, Google DeepMind CEO’su Demis Hassabis’in yıl sonuna kadar klinik denemelere ulaşmasını beklediği yapay zeka tasarımı ilaçlar konusundaki beklentileri destekler nitelikte.
Yapay zekâ tabanlı ilaç geliştirme süreçleri, finansal teknolojiler için de ilham verici bir dönüşümü işaret ediyor. Bu tür platformlar, büyük veriveri analitiği, risk modelleme ve yatırım optimizasyonu gibi alanlarda benzer şekilde zaman ve maliyet tasarrufu sağlayabilir. Sağlık alanında görülen hız ve doğruluk, sermaye piyasalarında algoritmik stratejilerin evrimini hızlandırabilir; tıpkı nanobody keşfinde olduğu gibi, finansal ürün geliştirme süreçlerinde de beklenmedik ama yüksek etkili çözümler ortaya çıkabilir.
