GSK, İngiliz biyoteknoloji şirketi Relation Therapeutics ile AI destekli ilaç keşfi çalışmalarını genişleten yeni bir araştırma iş birliğine girdi. Anlaşmanın toplam değeri $110 milyona kadar çıkıyor. Bu kapsamda Relation, genetik değişiklikler ve ilaç müdahaleleri karşısında insan hücrelerinin nasıl tepki verdiğini ölçen büyük ölçekli veri setleri üretecek. Elde edilen veriler, olası ilaç hedeflerini belirlemek için geliştirilen yapay zeka modellerinin eğitiminde kullanılacak.
Yeni anlaşmanın öne çıkan yönü, biyolojik veri üretimini doğrudan model geliştirme sürecinin merkezine koyması. Relation’ın yaklaşımı, hesaplamalı analiz ile laboratuvarda yeni veri üreten deneyleri bir araya getiriyor. Şirket, bu çerçevede MORGAN platformundaki modeller dahil olmak üzere hedef tespiti için kullanılan sistemleri besleyecek insan hücresi verileri oluşturacak.
Taraflar daha önce de fibrotik hastalıklar ve osteoartrit odaklı projelerde birlikte çalışmıştı. Bu önceki işlerde gözlemsel çalışmalarla iki fonksiyonel hastalık veri seti oluşturulmuş ve bunlar Relation’ın Lab-in-the-Loop platformu üzerinde analiz edilmişti. Söz konusu süreçte insan genetiği, insan dokusundan elde edilen single-cell multi-omics verileri, fonksiyonel testler ve makine öğrenimi birlikte kullanılarak potansiyel hastalık hedefleri belirlenmiş ve doğrulanmıştı.
Relation’ın Lab-in-the-Loop yaklaşımı; doku profilleme, single-cell ve uzamsal transkriptomik, dizileme ve hedef doğrulama gibi laboratuvar süreçlerini hesaplamalı yöntemlerle birleştiriyor. Makine öğrenimi ise hedef belirleme, önceliklendirme, doğrulama ve deney tasarımında kullanılıyor. Şirket ayrıca genetik değişimlerin hastalıkla ilişkili hücresel özellikleri nasıl etkilediğini ölçen perturbation deneyleri yürütüyor. Bu sonuçlar, genetik veriler ve hastalardan türetilmiş biyolojik verilerle birlikte analiz edilebiliyor.
Biyolojik temel modellerin eğitiminde halka açık veri depoları hâlâ önemli bir kaynak. Ancak farklı çalışmalardan gelen bilgilerin bir araya getirilmesi teknik zorluklar yaratabiliyor. Örneğin tek hücre verilerinde örnekleme yöntemleri, dizileme protokolleri, deneysel prosedürler ve işleme hatları değişebiliyor. Buna ek olarak teknik gürültü ve çeşitli artefaktlar da görülebiliyor. Bu yüzden veri seti seçimi, filtreleme, bileşim dengesi ve kalite kontrol süreçleri kritik önem taşıyor.
Bir diğer sorun ise veri setleri arasındaki örtüşme. Aynı ya da çok benzer hücrelerin birden fazla kamusal kaynakta yer alabilmesi, eğitim sırasında bu örneklere orantısız ağırlık verilmesine ve eğitim-test ayrımında veri sızıntısı riskine yol açabiliyor. Bu tablo, yüksek kaliteli ve tekrarsız veri seti kurulumunun model mimarisi kadar önemli olduğunu gösteriyor.
Bu alanla ilgili son çalışmalar, daha büyük veri yığınlarının otomatik olarak daha iyi model anlamına gelmediğine de işaret ediyor. Bu yıl Nature Methods’ta yayımlanan bir araştırmada 22.2 milyon hücrelik bir korpus kullanılarak 400 model eğitildi ve 6,400 deneyde değerlendirildi. Sonuçlar, mevcut single-cell foundation modellerinin mevcut verinin yalnızca bir kısmıyla eğitildikten sonra performans platosuna ulaşabildiğini gösterdi. Yani büyük dil modellerinde görülen, veri arttıkça düzenli performans artışı sağlayan net bir ölçekleme davranışı burada aynı şekilde ortaya çıkmıyor.
Ayrıca 2025 tarihli başka bir çalışmada Geneformer ve scGPT gibi iki single-cell foundation model, çeşitli zero-shot görevlerde değerlendirildi ve bu modellerin daha basit yaklaşımlara karşı tutarlı biçimde üstünlük kuramadığı görüldü. Araştırmacılar, batch effect gibi sorunlara da dikkat çekerek daha büyük, önceden eğitilmiş biyolojik modellerin otomatik biçimde daha iyi temsil üreteceği varsayımına karşı uyardı.
Bu nedenle ilaç şirketleri yalnızca daha fazla veri değil, daha özel ve yüksek kaliteli veri kaynaklarına yöneliyor. Relation’ın Osteomics adlı projesi buna bir örnek. Şirketin proprietary fonksiyonel single-cell kemik atlası olarak tanımladığı bu çalışma, hastalardan alınan örnekleri; single-cell ve uzamsal omics, görüntüleme, genomik, proteomik ve klinik fenotip verileriyle birleştiriyor. Proje osteoporozda hastalık biyolojisi, terapötik hedefler, biyobelirteçler ve hasta alt gruplarını incelemek için kullanılıyor.
Genel tabloda AI-biyofarma anlaşmaları farklı yapılar alabiliyor: bazıları doğrudan AI platformlarına erişim sağlarken, bazıları veri lisanslama, ortak geliştirme ya da yeni biyolojik veri üretimi etrafında şekilleniyor. GSK ile Relation arasındaki yeni anlaşma ise hem veri üretimini hem model geliştirmeyi aynı çatı altında topluyor. Bu da AI destekli ilaç keşfinde rekabet avantajının yalnızca algoritmalarda değil, o algoritmaları besleyen insan hücresi verilerinin kalitesinde de yoğunlaştığını gösteriyor.
