Biyomedikal teknolojideki yeni gelişmelerle birlikte, CRISPR gibi tekniklerle genleri değiştirmek artık uygulanabilir bir terapötik tedavidir. Aynı zamanda, tüm genom dizilimini yapmak giderek daha ucuz hale geliyor, bu da gen terapisinde hızlı ilerleme ve hassas tıpta düzenleme ile sonuçlanıyor. Makine öğrenimi ve yapay zeka teknikleri, yeni gen tedavisi ürün ve tekniklerinin geliştirilmesinde harcanan zaman ve paranın azaltılmasına olanak tanır.
Yapay zeka derin öğrenme algoritmaları, gerçek otomasyon için çok nüanslı olan izleme ve denetleme etkinliklerine uygulanıyor. Makine öğrenimi uygulamaları, çeşitli veri kaynaklarından yararlanarak biyo-üretim süreçlerini güncelleyebilir ve birden fazla AI modeli, “dijital ikiz” yaklaşımını, yani fiziksel sistemlerin dijital dönüşümünü gerçekleştirmek için ekipman veya süreçlerle aktif olarak etkileşime girebilir.
Gen ve hücre terapileri, bir dizi teknik yaklaşımı ve üretim uygulamasını yansıtır. Örneğin, in vivo ve ex vivo yaklaşımların yanı sıra otolog ve allojenik yaklaşımlar vardır. Bununla birlikte, biyo-üretim operasyonlarında kullanılabilecek ortak noktalar vardır. Paylaşılan fırsatlar, aynı vektörlerin çoğuna (viral vektörler dahil) erişimi içerir. Paylaşılan zorluklar arasında ürünlerin son olarak sterilize edilememesi yer alır.
Yapay zeka destekli “akıllı üretim” artık tedarik zinciri yönetiminden operasyon kontrolüne ve nihai ürün takibine ve izlemeye kadar üretim sürecinin gelişmiş dijitalleştirilmiş entegrasyonuyla gen ve hücre tedavisi işlemeyi desteklemeye başlıyor. Aynı zamanda nesnelerin interneti gibi Endüstri 4.0 teknolojilerini de güçlendiriyor.
AI, birçok gen ve hücre tedavisinde ortak olan ve daha önce geleneksel süreç tasarımı ve üretim operasyonlarında zorluklar ortaya koyan sistemleri geliştirebilir. Bu zorluklar, hasta-distal hücre işlemede izleme ve izleme operasyonlarının koordinasyonunun yanı sıra gelen işlem malzemelerinin dekontaminasyonunu içerir. Yine de güvenlik, mahremiyet, düzenleme, depolama ve dağıtım açısından hastayla ilgili veriler için standartların oluşturulması ve sürdürülmesinde başka zorluklarla karşılaşılmaktadır.
Yapay zeka destekli süreç kontrolü, işleme anormalliklerini algılamaya veya tahmin etmeye, mevcut performansı geçmiş deneyimlerle ilişkilendirmeye ve hangi önlemlerin sapma gösteren parametreleri düzeltebileceğini belirlemeye yardımcı olabilir. Bir bireyin hücrelerinin veya dokularının merkezi olarak işlenmesiyle dağıtılmış kontrolün düzenlenmesi, ek işleme ve lojistik yükler getirecektir. Modern veri bağlantısı ve AI algoritmaları, biyo-tabanlı olayların gerçek zamanlı ve dinamik analizi konusunda oldukça yeteneklidir. Doğrusal olmayan işlevsel ilişkileri modelleyebildikleri için model-süreç uyumsuzluklarını azaltmada başarılıdırlar. Bu tür sistemler, sensör doğrulaması yapabilir, hataları tespit edebilir ve hem biyoproses hem de kontrol mühendisliğinden elde edilen uzmanlık ve sonuçları bir araya getirebilir.
İleri Okumalar:
Hunt, C., Montgomery, S., Berkenpas, J. W., Sigafoos, N., Oakley, J. C., Espinosa, J., Justice, N., Kishaba, K., Hippe, K., Si, D., Hou, J., Ding, H., & Cao, R. (2021). Recent Progress of Machine Learning in Gene Therapy. Current gene therapy, 10.2174/1566523221666210622164133. Advance online publication. https://doi.org/10.2174/1566523221666210622164133
Kaynakça:
