Yapay zeka destekli ilaç keşfi alanında yaygın olan 'büyük model her zaman daha iyi' anlayışı, yeni bir araştırmayla sorgulanıyor. Stanford Üniversitesi öncülüğündeki araştırma ekibi, farklı AI yaklaşımlarının moleküler özellik ve aktivite tahminindeki performanslarını karşılaştırdı.
Çalışma, ADMET (emilim, dağılım, metabolizma, atılım, toksisite) ve Tox21 kıyaslamaları ile iki dahili anti-infektif aktivite veri seti üzerinde 22 farklı moleküler hedefi inceledi. Toplamda 167,056 test örneği değerlendirildi ve sonuçlar şaşırtıcı oldu.
Random Forest ve ExtraTrees gibi klasik makine öğrenmesi yöntemleri 10 görevde en iyi performansı sergilerken, GIN ve Ligandformer gibi graf sinir ağları 9 görevde zirveyi gördü. Büyük ön-eğitimli moleküler modeller olan MoLFormer ve ChemBERTa2 ise yalnızca 3 görevde başarılı olabildi.
Bu bulgular, ilaç geliştirme sürecinde AI araç seçiminin görev özelliklerine göre yapılması gerektiğini gösteriyor. Araştırmacılar, büyük modellerin her durumda üstün olmadığını ve bazı durumlarda daha basit yaklaşımların daha etkili olabileceğini vurguluyor. Sonuçlar, ilaç keşfinde AI stratejilerinin yeniden değerlendirilmesi gerektiğine işaret ediyor.