Selinay YAŞAR, Rumeysa ÇETİN TÜRKER, Merve BECİT KIZILKAYA
Ankara Üniversitesi Eczacılık Fakültesi Dergisi - 2026;50(2):457-474
Amaç: Toksikoloji, artan kimyasallar ve karmaşık maruziyet senaryolarıyla zorluklarla karşı karşıyadır. Bu derleme, 1960'lardaki QSAR modellerinden günümüzün derin öğrenme algoritmalarına kadar toksikolojide yapay zeka (AI) ve makine öğrenmesi (ML) uygulamalarının tarihsel gelişimini ve mevcut durumunu incelemektedir. İlaç keşfi, toksikokinetik, nanotoksikoloji ve çevresel toksikoloji gibi alanlarda AI entegrasyonu ile kardiyovasküler toksisite, hepatotoksisite, karsinogenez, genotoksisite ve nörotoksisite gibi toksikolojik sonlanım noktalarında sağlanan ilerlemeler değerlendirilmiştir. Sonuç ve Tartışma: AI teknolojileri, hayvan deneylerinin azaltılması, hızlı örüntü tespiti ve minimum deneysel veriyle toksisite tahmini gibi önemli avantajlar sunmaktadır. Genomik, proteomik ve kimyasal yapı verilerinin entegre analizi, moleküler düzeyde toksisite mekanizmalarını aydınlatırken, çoklu organlar için geliştirilen ML modelleri ilaç kayıp oranlarının azaltılmasına katkıda bulunmaktadır. Veri kalitesi, model validasyonu ve yorumlanabilirlik, aşılması gereken başlıca zorluklar olarak kalmaktadır. Gelecekte, geleneksel toksikolojik yöntemlerin modern hesaplamalı yaklaşımlarla entegrasyonu, risk değerlendirmelerinde daha güvenilir ve verimli sonuçlar sağlarken, düzenleyici otoritelerin AI destekli modeller için standartlar geliştirmesi gerekmektedir. Multi-omik veri entegrasyonu, kişiselleştirilmiş toksikoloji yaklaşımları ve insanlarda toksisite mekanizmalarını gösterebilen yeni ML algoritmalarının geliştirilmesi, toksikoloji bilimlerinin ilerlemesi için umut verici yönleri temsil etmektedir.
