Yuqing Pan ve çalışma arkadaşlarının derlemesi, yapay zekâ ve makine öğrenmesinin farmasötik bilimlerde yalnız yeni molekül aramak için değil; ilaçların çözünürlüğünü ve farmakokinetiğini tahmin etmek, dozaj şekillerini ve formülasyonları optimize etmek, biyoyararlanımı öngörmek, kişiye özgü doz kararlarını desteklemek ve 3B ilaç baskısı, mikroakışkan sistemler ile elektrospinning gibi üretim teknolojilerini geliştirmek için nasıl kullanıldığını inceliyor. Derlemede aktarılan çalışmalar, bazı iyi tanımlanmış veri kümelerinde yüksek tahmin performanslarına ulaşılabildiğini gösterirken yazarlar veri kalitesi, standardizasyon, model açıklanabilirliği, düzenleyici belirsizlik, kurumlar arası aktarılabilirlik ve hesaplama altyapısını temel sınırlılıklar olarak vurguluyor. Bu nedenle çalışma, yapay zekânın farmasötik geliştirmede güçlü bir karar destek ve optimizasyon aracı olabileceğini savunuyor; ancak AI modellerinin deneysel, klinik veya düzenleyici doğrulamanın yerine geçtiğini göstermiyor.

Türkiye açısından derlemenin en önemli mesajı, yapay zekâ tabanlı farmasötik sistemlerin doğrudan ithal edilip aynı performansla çalışacağının varsayılamayacağıdır. Klinik veri yapısı, hasta demografisi, genetik dağılımlar, hastane bilgi sistemleri, ilaç üretim altyapısı, kullanılan hammaddeler ve düzenleyici gereklilikler ülkeye ve kuruma göre değişebilir. Bu nedenle Türkiye'de farmakokinetik tahmin, hassas dozlama veya akıllı üretim amacıyla kullanılacak modellerin yerel veri üzerinde doğrulanması; veri kalitesi, temsil adaleti ve düzenleyici uyumluluğun ayrıca değerlendirilmesi gerekir.

Farmasötik geliştirmede temel sorun nedir?

İlaç geliştirme; farmakodinamik, farmakokinetik, toksisite, formülasyon ve üretilebilirlik gibi birbirini etkileyen çok sayıda değişkenin birlikte değerlendirilmesini gerektirir. Derleme yazarları, yalnız tek bir özelliği optimize etmeye dayanan yaklaşımların bir aday bileşiğin insan vücudundaki davranışını bütünüyle öngörmekte yetersiz kalabileceğini vurgulamaktadır.

Farmakokinetik; bir ilacın vücuda girdikten sonra absorpsiyon, dağılım, metabolizma ve atılımını kapsayan süreçleri ifade eder. Bu dört alan genellikle ADME kısaltmasıyla tanımlanır. Farmasötik geliştirme açısından problem yalnız molekülün etkili olması değildir; ilacın uygun miktarda çözünmesi, hedef bölgeye ulaşması, gerekli süre boyunca uygun konsantrasyonda bulunması ve kabul edilebilir güvenlik sınırları içinde kalması da gerekir.

Yapay zekâ çözünürlük tahmininde ne yapıyor?

Derlemede, piyasadaki ilaçların yaklaşık %40'ının suda düşük çözünürlüğe sahip olduğu; yüksek verimli taramalarda yeni tanımlanan aktif bileşiklerin ise yaklaşık %70–90'ında düşük çözünürlük sorunu görülebildiği aktarılmaktadır. Düşük çözünürlük, emilim ve biyoyararlanımı sınırlandırabildiği için ilaç geliştirmede önemli bir darboğazdır.

Geleneksel nicel yapı-özellik ilişkisi modelleri, yani QSPR, moleküler tanımlayıcılara dayanır. Derleme, güncel yapay zekâ yaklaşımlarının fizikokimyasal özellikleri, moleküler parça ve parmak izi bilgilerini, kuantum kimyasal özellikleri ve molekülün topolojik bağlantılarını birlikte kullanabildiğini açıklamaktadır.

Bu alanda yapay sinir ağları, derin sinir ağları, grafik sinir ağları ve grafik dönüştürücü modeller kullanılmaktadır. Molekülün atomlarını ve bağlarını bir grafik olarak ele alan yöntemler, bazı görevlerde özelliklerin elle seçilmesine duyulan gereksinimi azaltabilir.

Ancak derlemenin önemli uyarılarından biri şudur: genel ilaç çözünürlüğünü kusursuz biçimde tahmin eden bir AI modeli henüz yoktur. Kimyasal sınıflar arasındaki veri dengesizliği, farklı deney koşulları, ölçüm protokollerinin heterojenliği, veri gürültüsü ve standart karşılaştırma kümelerinin eksikliği model genellenebilirliğini sınırlar.

Daha karmaşık model her zaman daha iyi mi?

Hayır. Derlemenin özellikle vurguladığı noktalardan biri, daha karmaşık yapay zekâ mimarilerinin her veri kümesinde daha basit modelleri otomatik olarak geçmediğidir. Aktarılan karşılaştırmalı bir çalışmada uygun tanımlayıcılar ve dikkatle düzenlenmiş veri kullanıldığında basit doğrusal regresyonun bazı koşullarda sinir ağlarından ve ticari in silico modellerden daha başarılı olabildiği belirtilmektedir.

Bu örnek, farmasötik yapay zekâda model karmaşıklığından çok problem tanımı, veri kalitesi, değişken seçimi ve dış doğrulamanın belirleyici olabileceğini göstermektedir.

Farmakokinetik tahmin neden kritik?

Bir ilacın dağılım hacmi, klerensi, yarı ömrü ve plazmada bağlanmamış fraksiyonu gibi farmakokinetik özellikleri, etkinlik ve güvenlik değerlendirmesinin temel parçalarıdır. Yazarlar, kimyasal yapı ve moleküler özelliklerden hareketle bu parametrelerin mümkün olduğunca erken tahmin edilmesinin klinik geliştirmeye ulaşmadan önce aday bileşiklerin önceliklendirilmesine yardımcı olabileceğini açıklamaktadır.

Derlemede örnek olarak kullanılan kapsamlı bir insan intravenöz farmakokinetik veri kümesi 1.352 ilaç içermektedir. Bu veri setinde dağılım hacmi (Vd), klerens (CL), yarı ömür ve plazmada bağlanmamış fraksiyon gibi parametreler bulunmaktadır.

Makine öğrenmesi farmakokinetikte hangi performanslara ulaştı?

Derlemenin aktardığı Wang ve arkadaşlarının çalışmasında destek vektör makineleri, Random Forest ve gradient boosting yöntemleri; iki ve üç boyutlu moleküler tanımlayıcılar ve parmak izleriyle birlikte kullanılmıştır. Dağılım hacmi tahminlerinde bileşiklerin %87'si gerçek değerin 2 kat hata aralığı içinde tahmin edilmiş; model için R²=0,87 ve RMSE=0,21 bildirilmiştir.

Aynı çalışmadaki klerens modeli R²=0,88 ve RMSE=0,10 değerlerine ulaşmış, bileşiklerin %100'ü 2 kat hata aralığında tahmin edilmiştir. Bununla birlikte derleme yazarları, klerens modelindeki yüksek başarının veri kümesinin düşük klerensli bileşiklere doğru yanlı dağılımından kısmen etkilenmiş olabileceğini özellikle belirtmektedir.

Diğer farmakokinetik örnekler ne gösteriyor?

Derleme, tek bir performans sonucuna dayanmamakta; farklı araştırma gruplarından çok sayıda örnek aktarmaktadır. Doğrudan makine öğrenmesiyle insan dağılım hacmini tahmin eden başka bir yaklaşımda bileşiklerin %75'i 3 kat hata aralığında doğru tahmin edilmiş ve R²=0,5 bildirilmiştir.

Hayvan verilerini insan klerensinin tahmininde kullanan bir çalışmada bileşiklerin %49'u 2 kat hata aralığında doğru tahmin edilmiştir. Aynı araştırma grubunun daha sonraki yaklaşık 750 bileşik içeren çalışmasında insan klerensi için %67, dağılım hacmi için %71 oranında 2 kat hata aralığı içinde tahmin başarısı aktarılmaktadır.

Başka bir çalışmada yaklaşık 1.000 klinik bileşik üzerinde Random Forest modelleri geliştirilmiştir. Oral uygulama sonrası maksimum konsantrasyon (Cmax) modelinde R²=0,68, RMSE=0,62 ve 3 kat hata aralığında %58 doğruluk; dağılım hacmi için R²=0,47, RMSE=0,50 ve 3 kat hata aralığında %68 doğruluk bildirilmiştir.

Transfer öğrenmesi ve çok görevli öğrenmeyi birleştiren farklı bir derin öğrenme yaklaşımı ise 30 milyondan fazla biyolojik aktivite veri noktasıyla ön eğitim yaptıktan sonra 1.104 FDA onaylı küçük molekül üzerinde dört farmakokinetik parametreyi tahmin etmek için kullanılmıştır. Derlemede oral biyoyararlanım için ortalama mutlak hata (MAE) 0,31, dağılım hacmi için MAE 0,17 olarak aktarılmaktadır.

Bu sonuçlar aynı deneyin tekrarları değildir. Veri kümeleri, hedef parametreler, hata tanımları ve model mimarileri değiştiği için rakamların doğrudan bir “AI sıralaması” oluşturacak biçimde karşılaştırılması bilimsel olarak uygun değildir.

Farmakokinetik eğriler de tahmin edilebilir mi?

Derlemeye göre yapay zekâ uygulamaları yalnız tek bir klerens veya dağılım hacmi değerini tahmin etmekten zaman içinde değişen ilaç konsantrasyonu eğrilerini modellemeye doğru ilerlemektedir. Tekrarlayan sinir ağları (RNN) ve Uzun-Kısa Süreli Bellek ağları (LSTM), düzensiz örneklenmiş farmakokinetik zaman serilerinin işlenmesinde kullanılabilmektedir.

Neural Ordinary Differential Equation, yani sinirsel adi diferansiyel denklem modelleri ise sürekli zaman dinamiğini diferansiyel denklem yapısıyla sinir ağları içinde birleştirmeyi amaçlar. Yazarlar, veri güdümlü modeller ile mekanistik farmakokinetik modellerin birleştirilmesini fizyolojik anlamlılık ve dışa aktarılabilirlik açısından önemli bir gelişme yönü olarak göstermektedir.

AI ilaç formülasyonunu nasıl etkiliyor?

Dozaj formu, ilacın uygulanma yolunu; uygulama yolu da emilim ve dağılım davranışını etkiler. Derlemede yapay sinir ağları, bulanık mantık ve genetik algoritmaların özellikle katı dozaj formlarının formülasyonunda kullanılan yöntemler arasında olduğu belirtilmektedir.

Bir formülasyonun aktif madde ve yardımcı maddelerin oranlarından ibaret olmadığı; bu bileşenlerin nasıl işlendiğinin de son ürün özelliklerini belirlediği vurgulanmaktadır. Bileşenler arasındaki karmaşık fizikokimyasal ilişkiler nedeniyle yapay zekâ, formülasyon girdileri ile çözünme, salım ve diğer ürün özellikleri arasındaki ilişkileri öğrenmek amacıyla kullanılmaktadır.

Derlemede kontrollü salımlı deksketoprofen tabletlerinin çözünmesini öngören yapay sinir ağı, moksifloksasin ağızda dağılan tabletlerinin optimizasyonu ve farklı koşullarda üretilen 37 uzatılmış salımlı tabletin çözünme eğrisinin tahmin edilmesi gibi örnekler aktarılmaktadır.

Biyoyararlanım tahmininde yapay zekânın rolü nedir?

Biyoyararlanım, bir ilacın sistemik dolaşıma ulaşma hızını ve miktarını ifade eder. Oral ilaçlarda gıda etkisi, moleküler özellikler, çözünürlük ve geçirgenlik bu süreci etkileyebilir.

Derlemede 1.448 molekülden oluşan bir veri kümesiyle geliştirilen oral biyoyararlanım modelleri örnek verilmektedir. Biyoyararlanımı %50 eşiğinin üzerinde veya altında sınıflandıran modeller arasında bir ensemble yaklaşımının %78 doğruluğa ulaştığı aktarılmıştır. Aynı veri kümesi üzerinde daha sonra %20 ve %50 eşikleriyle geliştirilen Random Forest modellerinde doğruluk oranlarının %78–82 arasında olduğu belirtilmektedir.

Bu sınıflandırma başarıları doğrudan bir ilacın klinik olarak etkili veya güvenli olduğunu göstermez. Biyoyararlanım, ilaç geliştirmedeki çok sayıdaki parametreden yalnız biridir.

Kişiye özgü dozlamada hangi veriler kullanılabilir?

Derleme, hassas dozlama sistemlerinde genetik belirteçler, yaş, cinsiyet, vücut ağırlığı, böbrek ve karaciğer fonksiyonu, klinik ölçümler ve yaşam tarzı gibi farklı veri türlerinin tek bir tahmin çerçevesinde birleştirilebileceğini açıklamaktadır.

Örneğin CYP450 enzimlerindeki genetik farklılıklar ilaç metabolizma hızını etkileyebilir. Yazarların ele aldığı yaklaşımda amaç, hasta özelliklerini farmakokinetik ve farmakodinamik değişkenlerle ilişkilendirerek nüfus düzeyindeki standart dozlardan bireyselleştirilmiş tahminlere ilerlemektir.

Ancak derleme, böyle bir AI tahmininin kendi başına hastaya uygulanacak dozu belirleyen klinik kanıt olduğu sonucunu desteklememektedir. Model doğrulaması, klinik bağlam ve uzman değerlendirmesi ayrı gerekliliklerdir.

Farmasötik üretimde AI nerede devreye giriyor?

Yazarlar farmasötik üretimde yapay zekânın kritik malzeme özellikleri, kritik proses parametreleri ve kritik kalite özelliklerinin izlenmesinde; proses parametrelerinin tahmin edilmesinde ve Quality by Design yaklaşımının desteklenmesinde kullanılabileceğini aktarmaktadır.

Derlemenin 3. sayfasındaki Tablo 1; QSAR ile makine öğrenmesi, yapay sinir ağları, derin sinir ağları, grafik sinir ağları, RNN/LSTM, CNN, Gaussian process regression, reinforcement learning ve mekanistik-AI hibrit modellerini farklı farmasötik görevlerle eşleştirmektedir.

Tablodaki “yüksek, orta ve düşük” doğruluk/verim sınıflarının mutlak performans ölçütleri olmadığı özellikle belirtilmiştir. Bunlar literatürde tipik olarak bildirilen göreli performansı özetleyen nitel sınıflandırmalardır.

Hangi veri kaynakları öne çıkıyor?

Derlemenin 4. sayfasındaki Tablo 2, yapay zekâ destekli farmasötik araştırmalarda kullanılabilecek veri kaynaklarını iki ana ihtiyaç çevresinde toplamaktadır: farmakokinetik/hasta verileri ve üretim/proses verileri.

Bu liste, derleme yazarlarının farmasötik AI için temsilî olarak sunduğu veri kaynaklarını özetlemektedir; tablonun kendisi bu veri tabanlarının kalitesini veya belirli bir AI modeli için yeterliliğini doğrulayan deneysel karşılaştırma değildir.

3B ilaç baskısı ve yapay zekâ nasıl birleşiyor?

Derlemede üç boyutlu ilaç baskısı, kişiye özgü farmasötik ürünlerin ve farklı doz veya salım özelliklerine sahip yapıların üretimi açısından önemli bir alan olarak ele alınmaktadır. Yapay zekânın burada baskı parametrelerini, formülasyonun yazdırılabilirliğini ve kalite kontrol değişkenlerini tahmin etme amacıyla kullanılabileceği aktarılmaktadır.

Örnek olarak verilen M3DISEEN isimli web tabanlı sistem için 614 ilaç yüklü formülasyondan oluşan bir veri kümesiyle makine öğrenmesi modeli eğitildiği ve FDM tabanlı 3B ilaç baskısında önemli üretim parametrelerinin tahmin edildiği belirtilmektedir.

Yapay zekânın 3B basılı mikroiğnelerin geometrik ve işlevsel özelliklerinin tahmininde de kullanılabileceği aktarılmaktadır. Bununla birlikte derleme, 3B ilaç üretiminde malzeme viskozitesi, nozül çapı, baskı hızı ve hammadde kalitesindeki değişimlerin ürün homojenliğini ve ilaç salımını etkileyebileceğini vurgulamaktadır.

Mikroakışkan sistemlerde AI ne sağlıyor?

Mikroakışkan reaktörler küçük hacimlerde hassas akış kontrolü, hızlı ısı ve kütle aktarımı ve çevrim içi analiz sağlayabilir. Derlemede yapay zekânın çok sayıda proses değişkenini birlikte değerlendirerek nanoparçacık üretiminin optimizasyonunda kullanılabileceği belirtilmektedir.

Örnek çalışmalardan birinde adaptif örnekleme algoritması, belirli emisyon özelliklerine sahip nanokristaller için reaktif konsantrasyonlarının belirlenmesini hızlandırmak amacıyla mikroakışkan bir platforma entegre edilmiştir. Başka bir çalışmada ise farklı proses parametreleri değiştirilerek 200'den fazla lipozom sentezlenmiş ve AI modeli lipozom stabilitesini tahmin etmek amacıyla eğitilmiştir.

Elektrospinning alanında ne inceleniyor?

Elektrospinning, nano ve mikro ölçekte liflerin üretilebildiği bir yöntemdir. Voltaj, akış hızı, iğne-kollektör mesafesi, çözelti konsantrasyonu, viskozite, iletkenlik ve çözücü türü gibi çok sayıda değişken son lif özelliklerini etkileyebilir.

Derlemede kurkumin yüklü nanoliflerin üretim parametrelerini ve fizikokimyasal özelliklerini değerlendirmek amacıyla yapay zekâ kullanılan bir çalışma örnek gösterilmektedir. AI'nin buradaki işlevi, çok değişkenli proses uzayındaki ilişkileri öğrenerek üretim parametreleri ile ürün özellikleri arasındaki bağlantıları tahmin etmektir.

Yapay zekânın önündeki temel engeller nelerdir?

Derleme beş ana zorluk alanı tanımlamaktadır:

1. Veri kalitesi, erişilebilirliği ve standardizasyon: Klinik çalışmalar, elektronik sağlık kayıtları ve laboratuvarlardan gelen veriler farklı formatlarda ve farklı kalite düzeylerinde olabilir.
2. Açıklanabilirlik ve şeffaflık: Özellikle derin öğrenme modellerinin karar mekanizmasının anlaşılmasının zor olması bilimsel ve düzenleyici güveni sınırlayabilir.
3. Mevcut iş akışlarına entegrasyon: Farmasötik Ar-Ge ve üretim süreçleri düzenlenmiş protokoller altında yürütüldüğü için AI sistemlerinin mevcut altyapıya eklenmesi yalnız teknik bir sorun değildir.
4. Disiplinler arası uzmanlık açığı: Farmakokinetik, formülasyon bilimi, veri bilimi ve AI mühendisliğini birlikte anlayabilen ekiplerin gerekli olduğu belirtilmektedir.
5. Hesaplama ve altyapı gereksinimi: İleri modeller yüksek performanslı bilgi işlem ve büyük veri depolama altyapısı gerektirebilir.

Yazarlar ayrıca eğitim verilerindeki demografik dengesizliklerin bazı hasta gruplarında daha düşük performansa ve sağlık eşitsizliklerinin güçlenmesine yol açabileceği konusunda uyarmaktadır.

Üretimde düzenleyici sorun neden önemli?

Derlemenin yayımlandığı çerçevede yazarlar, yapay zekâ destekli farmasötik 3B baskı ve mikroakışkan üretimi için kapsamlı, küresel ve uyumlaştırılmış bir düzenleyici standardın bulunmadığını belirtmektedir. Özellikle hammadde özellikleri, baskı parametreleri, son işlem kontrolleri, model doğrulaması ve ürün kalite beklentilerinin açık biçimde tanımlanması gerektiğini savunmaktadırlar.

Dolayısıyla teknik olarak yüksek doğruluk veren bir modelin varlığı, AI destekli bir ilaç üretim sürecinin otomatik olarak düzenleyici onay alacağı anlamına gelmez.

Çalışmanın desteklediği sonuçlar

• AI ve makine öğrenmesi farmasötik bilimlerde çözünürlükten farmakokinetiğe, formülasyondan üretime kadar geniş bir uygulama alanına sahiptir.
• Bazı iyi tanımlanmış veri kümelerinde farmakokinetik parametreler için yüksek tahmin performansları bildirilmiştir.
• AI, çok değişkenli formülasyon ve üretim problemlerinde parametreler arasındaki karmaşık ilişkilerin modellenmesi için kullanılmaktadır.
• 3B ilaç baskısı, mikroakışkan sentez ve elektrospinning gibi gelişmiş üretim teknikleri AI tabanlı optimizasyon için araştırılan alanlardır.
• Veri kalitesi, model açıklanabilirliği, aktarılabilirlik ve düzenleyici uyum AI'nin farmasötik kullanımı için kritik sınırlamalardır.

Çalışmanın desteklemediği veya kanıtlamadığı sonuçlar

• Yapay zekânın her farmasötik problemde geleneksel yöntemlerden daha başarılı olduğu gösterilmemiştir.
• Derlemede sunulan farklı model başarı oranları tek bir ortak veri kümesinde karşılaştırılmamıştır.
• AI tahminlerinin klinik kararları insan uzmanı olmadan güvenle verebileceği gösterilmemiştir.
• AI destekli kişiselleştirilmiş dozlamanın bütün hasta gruplarında güvenli veya üstün olduğu kanıtlanmamıştır.
• 3B basılmış ilaçların AI kullanılması nedeniyle otomatik olarak daha güvenli, etkili veya düzenleyici açıdan kabul edilebilir olduğu sonucuna varılamaz.
• Derleme yeni klinik deney, yeni ilaç formülasyonu veya yeni üretim prosesi geliştirmemiştir.
• Çalışma sistematik derleme veya meta-analiz olmadığı için bütün literatürün nicel birleştirilmiş etkisini vermemektedir.

Çalışmanın Yöntemi ve Bulguları

Çalışmanın bilimsel tasarımı

Kaynak bir derleme makalesidir. Yazarlar yapay zekâ ve diğer gelişmiş teknolojilerin farmasötik endüstrideki uygulamalarını; ilaç çözünürlüğü ve farmakokinetik tahmini, dozaj formu tasarımı, formülasyon optimizasyonu, biyoyararlanım, kişiselleştirilmiş dozlama ve farmasötik üretim eksenlerinde değerlendirmiştir.

Metinde sistematik literatür taramasına özgü veri tabanı arama dizgileri, başlangıç ve bitiş tarihleri, dahil etme/dışlama kriterleri, çift değerlendirici süreci, PRISMA akış diyagramı, kalite puanlaması veya meta-analiz yöntemi bildirilmemiştir. Bu nedenle çalışma sistematik derleme veya meta-analiz olarak değil, geniş kapsamlı anlatısal derleme olarak değerlendirilmelidir.

Derlemede öne çıkan nicel örnekler

Tablo 1'in bilimsel mesajı

Kaynağın 3. sayfasındaki Tablo 1, farmasötikte tek bir “en iyi AI algoritması” bulunmadığını göstermektedir. QSAR+ML, ANN, DNN, GNN, RNN/LSTM, CNN, Gaussian process regression, reinforcement learning ve mekanistik-AI hibrit modelleri farklı problemlerde kullanılmaktadır.

Tabloda performans “H”, “M” ve “L” biçiminde yüksek, orta ve düşük olarak özetlenmiştir. Kaynak dipnotunda bu derecelerin literatürde tipik olarak bildirilen göreli tahmin doğruluğu ve hesaplama verimliliğine dayandığı; mutlak ölçütler olmadığı açıkça belirtilmektedir.

Tablo 2'nin bilimsel mesajı

4. sayfadaki Tablo 2, yapay zekânın farmasötik uygulamalarında model mimarisi kadar veri altyapısının da belirleyici olduğunu göstermektedir. Hasta düzeyindeki farmakokinetik ve ilaç yanıt verileri hassas dozlama ve maruziyet tahminleri için; malzeme ve proses düzeyindeki veriler ise formülasyon ve üretim optimizasyonu için kullanılmaktadır.

Yazarların tabloda hem uluslararası hem de Çin'e özgü veri kaynaklarına yer vermesi, farklı popülasyonların ve düzenleyici ortamların veri temsilinin önemli görüldüğünü göstermektedir.

Temel yöntemsel sınırlılıklar

• Derleme sistematik bir literatür tarama protokolü raporlamamaktadır.
• Aktarılan model sonuçları farklı veri kümeleri ve performans ölçütlerinden geldiği için doğrudan birbirine üstünlük sıralaması yapılamaz.
• Derlemedeki bazı performanslar ikincil kaynaklardan alınmış olup bu makalede yeniden hesaplanmamıştır.
• AI modellerinin veri dağılımı değiştiğinde dış geçerliliği ayrıca doğrulanmalıdır.
• Model açıklanabilirliği, demografik veri yanlılığı ve standardizasyon sorunları klinik ve üretim uygulamalarını sınırlayabilir.
• Kaynakçanın 96 numaralı girdisinde “Pharmaceutics 20123” biçiminde bibliyografik olarak bozuk görünen bir ifade bulunmaktadır; kaynak burada sessizce düzeltilmemiştir.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: Harnessing the Power of Artificial Intelligence for Pharmaceutics: From Pharmacokinetics Prediction, Formulation, to Manufacturing

Yazarlar: Yuqing Pan; Ruyue Mi; Wei Bian; Zixin Wang; Mingfang Zhao; Zhaoqian Li; Wenkai Zhang; Yaoshuai Zhang; Ziyi Hu; Ning Wang; Buyong Ma.

Eş katkı: Yuqing Pan, Ruyue Mi ve Wei Bian kaynakta eşit katkı sahipleri olarak işaretlenmiştir.

Sorumlu yazar: Buyong Ma.

Kurum: Engineering Research Center of Cell and Therapeutic Antibody (MOE), School of Pharmacy, Shanghai Jiao Tong University, Shanghai, People's Republic of China.

DOI:10.1055/a-2790-6937

Dergi: Pharmaceutical Fronts.

Cilt / sayı / sayfalar: 8(1), e1–e11.

Yayınevi: Georg Thieme Verlag KG.

Kaynak türü ve hakemlik durumu: Hakemli derleme makalesi.

Gönderim tarihi: 14 Şubat 2024.

Kabul tarihi: 16 Ocak 2026.

Çevrim içi yayın tarihi: 27 Şubat 2026.

ISSN: 2628-5088.

Lisans: Creative Commons Attribution 4.0 International (CC BY 4.0).

Finansman: Natural Science Foundation of China, Grant No. 32171246; Shanghai Municipal Government Science Innovation, Grant No. 21JC1403700.

Çıkar çatışması: Yazarlar çıkar çatışması beyan etmemiştir.

Veri erişilebilirliği: Kaynakta ayrı bir veri erişilebilirliği beyanı bulunmamaktadır.

CRediT/yazar katkıları: Kaynakta ayrı bir CRediT veya bireysel yazar katkısı bölümü bulunmamaktadır.

Kaynak içi bibliyografik not

Kaynakçanın 96 numaralı girdisinde yayın bilgisi “Pharmaceutics 20123” şeklinde görünmektedir. Bu ifade bibliyografik olarak tutarsız görünmesine rağmen kaynak metne sadakat gereği sessizce düzeltilmemiştir.

Bilimsel yöntem ve yorum sınırı

Bu kaynak yeni deneysel, hayvan, klinik veya üretim verisi oluşturan bir çalışma değildir. Farmasötik yapay zekâ literatüründeki örnekleri bir araya getiren anlatısal bir derlemedir. Derlemede aktarılan model doğrulukları, R², RMSE, MAE ve hata aralığı oranları ilgili özgün çalışmaların sonuçlarıdır; Pan ve çalışma arkadaşlarının yeniden yaptığı bağımsız deneyler değildir.

Metinde sistematik arama protokolü, PRISMA akış şeması, önceden tanımlanmış dahil etme/dışlama ölçütleri veya meta-analiz bulunmadığından çalışma bütün literatür için nicel bir birleşik etki tahmini sunmaz.

Bu Verianla makalesindeki bilimsel içerik yüklenen derlemeye dayanmaktadır. Dış kaynaklar yalnız bibliyografik yayın kimliği ve derginin hakemlik durumunun doğrulanması için kullanılmış; dışarıdan yeni farmasötik bulgu, klinik sonuç veya model performansı eklenmemiştir.