Integrating Artificial Intelligence Across the Drug-Discovery Pipeline: From Targets to Preclinical Proof

Year 2025, Volume: 50 Issue: 3, 821 - 866, 30.10.2025

Dilhan Namlı , Nesrin Gökhan Kelekçi

Abstract

Artificial intelligence (AI)-based approaches have drawn significant attention for their potential to address major challenges in drug discovery processes, such as time constraints, high costs, and low success rates. Specifically, machine learning (ML) and deep learning (DL) algorithms are effectively utilized in various stages of drug development, including target identification, molecular screening, lead compound selection, optimization, and ADMET prediction.
In this study, the integration of current AI models into pharmaceutical R&D processes is examined from an interdisciplinary perspective, and their application domains are evaluated through relevant case studies in the literature. It has been observed that ML-based methods can yield successful results even with limited data, while DL architectures offer advantages in modeling complex molecular relationships. Furthermore, the architectural frameworks, training strategies, and diversity of ML and DL algorithms are comprehensively discussed within the scope of the study.
It is demonstrated that traditionally experience-based decision processes such as retrosynthetic planning and formulation development can be accelerated and made more sustainable through data-driven systems. Additionally, AI-assisted predictions are shown to reduce the experimental burden and enhance research efficiency in preclinical and clinical stages.
These evaluations suggest that AI technologies are not merely supportive tools but also strategic components at the core of innovative drug discovery approaches.

Keywords

Artificial Intelligence , Drug Design , Predictive Modeling , Computational Drug Discovery , Virtual Screening

İlaç Keşfi Sürecinde Yapay Zekâ Entegrasyonu: Hedeflerden Preklinik Kanıta

Abstract

Yapay zekâ tabanlı yöntemler, ilaç keşfi süreçlerinde karşılaşılan zaman, maliyet ve başarı oranı gibi temel sorunlara çözüm üretme potansiyeliyle dikkat çekmektedir. Özellikle makine öğrenmesi ve derin öğrenme algoritmaları, ilaç geliştirme sürecinin hedef belirleme, molekül tarama, öncü bileşik seçimi, optimizasyon ve ADMET tahmini gibi aşamalarında etkin biçimde kullanılmaktadır.
Bu tez çalışmasında, güncel yapay zekâ modellerinin farmasötik Ar-Ge süreçlerine entegrasyonu disiplinlerarası bir yaklaşımla ele alınmış; literatürde yer alan vaka örnekleriyle bu modellerin uygulama alanları değerlendirilmiştir. Makine öğrenmesi tabanlı yöntemlerin sınırlı veriyle dahi başarılı sonuçlar üretebildiği, derin öğrenme mimarilerinin ise karmaşık moleküler ilişkileri tanımlamada avantaj sağladığı gözlemlenmiştir. Ayrıca tez kapsamında, makine öğrenmesi ve derin öğrenme algoritmalarının mimari yapıları, eğitim stratejileri ve model çeşitliliği detaylı olarak ele alınmıştır.
Retrosentez planlaması ve formülasyon geliştirme gibi geleneksel olarak deneyime dayanan karar süreçlerinin, veri odaklı sistemlerle desteklenerek daha hızlı ve sürdürülebilir hâle getirilebileceği ortaya konmuştur. Preklinik ve klinik aşamalarda yapay zekâ destekli tahminlerin deney yükünü azalttığı ve araştırma verimliliğini artırdığı vurgulanmıştır.
Bu kapsamda yapılan değerlendirmeler, yapay zekâ teknolojilerinin yalnızca destekleyici bir araç değil, aynı zamanda yenilikçi ilaç keşif yaklaşımlarının merkezinde yer alan stratejik bir unsur olduğunu göstermektedir.

Keywords

Yapay Zekâ , İlaç Tasarımı , Öngörüsel Modelleme , Hesaplamalı İlaç Keşfi , Sanal Tarama

References

• Zhao, X., Wang, L., Zhang, Y., Han, X., Deveci, M., & Parmar, M. (2024). A review of convolutional neural networks in computer vision. Artificial Intelligence Review, 57(4), 99. doi:10.1007/s10462- 024-10721-6