Anasayfa FORTUNE DİJİTAL Eski ilaçlarda yeni tedaviler
FORTUNE DİJİTAL - 7 gün önce

Eski ilaçlarda yeni tedaviler

Pharnext’in kurucusu DANIEL COHEN gibi veri odaklı bilim adamları mevcut ilaç kombinasyonlarını umut vaat eden yeni tedavilere dönüştürülebilmesi için YAPAY ZEKA’dan yararlanıyorlar. Büyük ilaç şirketlerinin ilaç payplaynındaki tıkanıklığını bu şekilde açabilecekler mi?

TIERNAN RAY

ORTA MANHATTAN’DAKİ dar, Gotik tarzı bir bina olan Church of Sweden’daki café’nin şık ve sessiz ortamında, Daniel Cohen genetik anlatmaya ara veriyor. Ön kapıya yakın bir yerde duran piyanoya yaklaşıp, oturuyor ve “Over the Rainbow”u akıcı, kusursuz bir yorumla icra etmeye başlıyor.

Eğer insan biyolojisi bilimsel olarak komplike bir müzik parçasının eşdeğeriyse, Cohen bir virtüöz gibi burada nasıl yol alınacağını bilen bir isim. Cohen, Aralık 1993’te insan genomunun ilk “haritası”nı ortaya koyan Fransız laboratuvarı Généthon’un arka planındaki itici güçtü. Büyük Veri ve otomasyonu genom araştırmasına taşıdı; o ve ekibi ilk kez DNA örneklerinin işlenmesinin hızlandırılması için süper hızlı bilgisayarların kullanılabileceğini gösterdi.

Tüm dünyada bilim adamları Cohen’in ortaya koyduğu bilgiler üzerinden ilerlerken, immünoloji alanında uzmanlaşmış tıp doktoru olan Cohen de araştırmacı ve ilaç yöneticisi olarak başarı elde etti. Ancak çeyrek yüzyıl sonra genom ilk başta üzerinde çalışan bilim adamlarının çoğunun umut ettiği, paradigma değiştirici, çığır açacak tıbbi yeniliklerin çok azını ortaya koyabildi. Şimdi ise, Paris merkezli ilaç startup’ı Pharnext’in CEO’su ve kurucusu olan Cohen büyük umutlarla gündeme gelen bu bilim niçin kısır kaldığını anlamaya çalışıyor.

Piyanodan kalkıp, sohbet için yanıma geldiğinde “vücuttaki herhangi bir proteinin bir tek değil pek çok işlevi vardır” diyor. “Tıpkı sizin bir insan olarak toplumda bir değil, birden fazla işlevinizin olması gibi.” Cohen’in anlattığı olgu “pleiotropi” yani tek bir genin birden fazla, görünüşe göre birbiriyle bağlantılı olmayan sayısız etkiye sahip olması. Bu, tıp araştırmacılarını en inatçı hastalıklarla ilgili çalışmalarında her defasında hüsrana uğratan karmaşıklıklardan birisi.

Cohen ise yalnızca pleiotropi’nin önemini değerlendirmekle kalmıyor: Aynı zamanda Pharnetx’in ve diğer ilaç üreticilerinin yapay zekadan güçlü bir destek alarak bundan yararlanabileceklerini de düşünüyor. Vücudun karmaşıklığına odaklanmak ve yapay zekayı kullanarak hastalığın zincirleme reaksiyonlarının vücutta nasıl ilerlediklerini daha metodik bir şekilde analiz etmek ve bir yol haritası çizmek suretiyle, sayısız tıbbi duruma karşı saldırıya geçecek ilaç kombinasyonları geliştirmeyi umut ediyor.   

Cohen ve ekibi aynı zamanda “başka bir amaca uygun hale getirilmiş” tedavilerin araştırılması için de yapay zekadan yararlanıyor. Burada amaç, mevcut ilaçların tek tek sahip olamayacakları terapötik etkileri edinmelerini sağlayacak şekilde bir araya getirilmesini sağlamak. Uzun vadeli amaçları, büyük ilaç şirketlerinin makine öğrenmeye dayalı, endişe verici şekilde aşırı derecede yavaş ARGE departmanlarından çok daha verimli bir ilaç payplaynı ortaya koymak. Cohen’in uykulu bakışları, tüm bunların nasıl olacağını anlatırken birden bire canlanıyor. “Très bien” diyor. “Très économique”. (“Çok iyi, son derece ekonomik).

Pharnext’le aynı yarışta koşan diğer şirketler ise Google ve IBM gibi devlerden Insilico Medicine, Recursion Pharmaceuticals ve BenevolentAI gibi startup’lara kadar geniş bir yelpazeye yayılıyor. Bunların tümü de yapay zeka uygulamalarında derinlemesine yer alıyor; milyonlarca ilaç ve hasta verisi analiz etmek ve önemli örnekleri ayırmak için yapay zekadan yararlanılıyor. Ancak 2007 yılında kurulan Pharnext bu rakiplerinden yıllar önce yola çıkmış olmak gibi bir avantaja sahip ve Cohen’in genom ve pleiotropideki on yıllar öncesine dayanan çalışması da göz önüne alındığında açık ara önde olduğu görülüyor.

YOL HARİTASI

Yapay zekalı startup’lar yeni tedaviler bulmak amacıyla hastalık ilerlerken genlerin, proteinlerin ve vücudun nasıl etkileşime girdiğini gösteren haritalar çiziyorlar. Bu illüstrasyon Pharnext’in nörodejeneratif bir durum olan CMT’yle ilgili haritasını ortaya koyuyor.

 

Ancak belki de en önemlisi, Pharnext’in yapay zekayı on yıldan daha uzun bir zamandan beri tıbbi sorunlara uyarlaması nihayet kritik bir dönüm noktasına ulaştı. Pharnext ekim ayında, ilaç kombinasyonlarından birinin insanlardaki Faz III denemelerinde pozitif sonuçlar elde etti. PXT3003 adlı bileşen, nadir bir hastalık olan ve şimdiye kadar hiçbir tedaviye cevap vermeyen Charcot-Marie-Tooth hastalığı (CMT) adlı nörodejeneratif bir bozukluğun tedavisinde kullanılacak. CMT’nin başlıca nedeni tek bir genin kopyalanması olsa da, bu mütasyon kötü şeyleri sarmal halinde tetikliyor. Sinirleri koruyan Schwann hücreleri işlerini yapmayan kök hücrelere geriliyor. Aksonlar (sinir hücrelerinin uzantıları) ölmeye başlıyor. Kaslar kontrol edilemiyor ve bunun sonucunda büzülüyor.

Pharnext’e göre, Faz III sonuçları (henüz hakemler tarafından incelenmedi) CMT’nin PXT3003 altında stabilize olmakla kalmayıp aynı zamanda hücrelerin gençleşmeye başladığını da ortaya koydu. Cohen, daha önceki tedavilerin yalnızca hastaların durumunun daha da kötüleşmesini engellendiğini kaydediyor. PXT3003’le hastalar, iki fiziki yetersizlik ölçümünde, istatistiksel olarak önemli bir iyileşme sergilediler. Bu sonuçlara dayanarak, ABD Gıda ve İlaç Dairesi FDA şubat ayında Pharnext’e bu tedaviye “hızlandırılmış süreç” statüsü verdi;  FDA bir ilacın ciddi bir hastalığı tedavide “üstün bir etkililik” sergilediğini düşündüğünde hızlandırılmış gözden geçirmeyi uygulamaya koyabiliyor.

Kuşkusuz bu, nadir görülen bir hastalığa karşı yalnızca umut verici bir adım olarak görülmeli. Bununla birlikte teknoloji, ilaç tasarımı için gereken zaman çizelgesindeki yılları azaltarak ve uzun vadeli ve umut verici sonuçlar oraya koyarak Pharnext’in yolunu kısalttı. Klinik öncesi testler ve klinik deneyleri genel olarak sekiz ila on yıl sürüyor ve sıfırdan tamamen yeni bir ilaç üretimi için de buna bir de yedi yıl ve hatta bazen daha da fazlasını eklemek gerekebiliyor. PXT3003’ün durumunda ise tersine, yapay zeka Pharnext’in mevcut üç ilacı yeni amaçlar için seçmesine yardımcı oldu; bunlar kas gevşetici baclofen; opioid bağımlılığını tedavi eden naltrexone ve laksatif olarak kullanılan glükoz azaltıcı. İlaçlar zaten kullanımda olduğundan, Pharnext normalde güvenli olduklarını teyit etmek için gerekli görülen Faz I deneylerini ve “sıfırdan inşa” evresini atlayabildi.  

FDA’nın hızlandırılmış süreci PXT3003’ün 2020 gibi piyasada olma olasılığını artırıyor; ve de üstelik bu Pharnext’in pek çok projesinden yalnızca biri. Şirket yakında Alzheimer için endikasyonları olan bir ilacın ikinci Faz II denemesine, ALS tedavisi için de ilk Faz II denemesine başlayacak; her ikisinde de benzer bir yeni hedefe göre düzenleme işleminden yararlanılacak.

Bu tabloda asıl önemli olan ise şu: Bu deneyler başarılı olursa, mali açıdan daha rahat olan şirketler bu açılan yoldan gidebilir. Obama yönetimi döneminde Sağlık ve İnsan Hizmetleri bakanı olan, şimdi ise sağlık sektöründeki pek çok şirkette danışman ve yönetim kurulu üyesi konumundaki Kathleen Sebelius bu çabaları, gittikçe büyüyen bir trend olan, mevcut ilaçların yeniden düzenlenmesinin bir parçası olarak görüyor. “Tüm bunlar da yatırım döngüsünün kısalması olasılığını artırırken, potansiyel olarak da çok daha farklı bir fiyatlama noktasına ve finansal desteklerin yeterli olmadığı nadir hastalıklar için pek çok olasılığa da kapı aralıyor” diyor. “Ve bu da çok cazibeli bir durum.” Pharnext’in danışmanı, Nobel tıp ödülü sahibi, Columbia Üniversitesi’nde Kavli Beyin Bilimi Enstitüsü’nden Eric Kandel, startup’ın trendin öncüsü olduğunu kaydederek, metodolojiyi “hem orijinal hem güçlü” olarak tanımlıyor. Bu yaklaşımın yaygınlık kazanıp kazanmayacağıyla ilgili olarak da “yakında anlayacağız” diyor.

MODERN GENETİK ARAŞTIRMANIN arifesinde, hemen hemen hiç kimse hastalığın biyolojisindeki devasa karmaşıklığı öngörememişti. Pek çok araştırmacı genomun vücut için bir tür el kitapçığı olduğunu düşünüyordu. Celera Gebomics’ten Craig Venter ve National Institues of Health’ten Francis Collins gibi öncüler “gen avcıları” olarak ün kazandılar;  “gen avcıları” terimi hastalığı açıklayacak ve tedavi olanağını kolaylaştıracak “sihirli formül”ü içeren geni bulmak için tüm dünyayı dolaşan haçlıları çağrıştırıyor.

 Bu araştırmacılar bir dereceye kadar, gerçek hazineyi bulmayı da başardılar. Örneğin, genetikçi Nancy Wexler Venezuella’da yıllarca, nadir görülen kalıtsal bir bozukluk olan Huntington hastalığından etkilenenlerin soyağaçlarını derlemek için çalıştı. Çalışmaları sonucunda, kişinin hastalığa yatkın olup olmadığını tahmin eden tek bir gende mütasyon belirledi.      

Ancak bilim adamlarının genetik haritaların açıklayıcı bir el kitabı olmaktan çok İkea mobilyalarıyla beraber verilen parça kataloglarını andırdığını anlamaları çok uzun sürmedi. Dahası, araştırmacılar genlerle hastalık arasındaki ilişkilere karmaşık değişkenler ekleyen başka diziler de keşfettiler; bunlar arasında DNA tarafından kodlanan proteinler olan proteom ve DNA’yı proteinlere dönüştüren nükleik asitler olan transkriptom yer alıyordu.

Ancak araştırmacılar kanser ve Alzheimer gibi karmaşık hastalıkların tek bir gene bağlı olmadığını öğrendiklerinde oluşan hayal kırıklığı çok acı verdi. (Hatta geni belirlenen Huntington hastalığı bile tedavi edilemedi.) Bugün ise Cohen ve başkaları basitlik takıntısıyla ilaç keşfindeki gerileme arasında bir bağlantı görüyorlar. Bu iniş FDA’nın onayladığı her 10 tedaviden birinin başarı oranında, ilaç geliştirmenin maliyet sarmalında ve çığır açıcı çok az sayıdaki tedavinin artan fiyatlarında kendisini ortaya koyuyor.

Bilim adamları kısa süre önce, network biliminin yardımıyla biyolojik karmaşıklıkla mücadele etmeye başladılar. Bu bilimin misyoneri ise Albert-László Barabási. Northeastern Üniversitesi’nde profesör olan Barabási’nin 2014 yılında kaleme aldığı Linked adlı kitabı, network teorisinin moda trendlerinden cinsel ilişkilere, hastalığa kadar sayısız konuyu açıklayabileceği unsurunu popülerleştirdi. Barabási ve diğerleri hastalığın genlerden proteinlere, hücrelere, dokulara kadar bir bağlantı ağı (network) üzerinden hareket eden kötü bir sinyale benzediğini belirlediler; tüm bu “bozukluklar” hastalığın tanıdık semptomları olarak ortaya çıkıncaya kadar da bu hareket sürüyor.

Pleiotropi herhangi bir proteinin vücutta farklı noktalarda hareket edebileceği anlamına geldiğinden komplike hastalıklar sayısız etkinin birleşmesinden oluşuyor. Pharnext gibi startup’lar ilaçların da tek bir proteinden ve vücutta aynı zamanda tek bir etkileşimden fazlası üzerinde etki ederek pleiotropik olabileceğini varsayıyorlar. Kompleksiteyle başa çıkabilecek bir ilaç kombinasyonu bulmak için makine öğreniminin devasa gücünü veri modellerini belirleme kapasitesiyle beraber hastalığın işleme biçimine ilişkilendirmek gerekiyor.

GNS Healthcare’in CEO’su ve kurucusu Colin Hill, bu kuruculardan biri. Massachusetts, Cambridge’de yer alan şirketi bilgisayar sistemi REFS’i geliştirmek için 18 yılını harcadı;  REFS “reverse engineering, forward simulation” un (tersine mühendislik, ileriye doğru simülasyon) kısaltılmışı. GNS hastalık modellerini inşa etmek ve incelikle düzenlemek amacıyla yıllar içinde toplamda 38 milyon dolarlık bir yatırım elde etti; GNS’ye fon sağlayan kuruluşlar arasında ilaç devi Amgen’in girişim sermayesi kolu Amgen Ventures, Celgene ve bir dizi başka yatırımcı yer alıyor. Ve ilk kez 2017 yılında tıp dergisi The Lancet’te yayımlanan bir dizi deneyde GNS, REFS’in pleitropik faktörlerin mevcut tedavilerin etkilerini büyük oranda ya hep ya hiç kıldıkları Parkinson’a uyguladığında ortaya koyduğu potansiyeli ayrıntılarıyla anlattı.

Parkinson’la bozuk genlerin harekete geçirdiği etkileşimler ağı hastalığa özel bir biçim verirken, motor hareketlerdeki aksama hastalığın ilerlemesinin en güvenilir göstergesi. Parkinson hastalarının ve kontrol grubunun genetik verilerinin REFS’e yüklenmesi, GNS’nin motor fonksiyonların bozulması halinde neler olabileceğini araştıran 100’ü aşkın bilgisayar modeli üretmesine yardımcı oldu. Modeller bozulmanın hızlanmasına katkıda bulunabilecek, daha önce bilinmeyen genetik mütasyonları ortaya çıkarabiliyor.

Ancak bu yalnızca birinci bölüm. GNS bu bulguları, hastalığın farklı tedavi yaklaşımlarıyla ne kadar hızlı ilerleyebileceğini kestirmeyi amaçlayan, randomize kontrol deneylerinin 5 bin farklı bilgisayar simülasyonunu yaratmak amacıyla kullandı. Bu tür hız testleri kontrollü insan deneyleriyle aynı sonucu almaya çalışmaktan çok daha fazla ekonomik olabilir. GNS diğer ilaç üreticileriyle beraber şimdi benzer yaklaşımları diyabet, ALS, multipl miyeloma ve göğüs kanseri gibi çeşitli hastalıkların tedavilerine uyguluyor.      

GNS CEO’su Colin Hill “şimdi artık bilgisayarda hastaları ve onların hastalıklarını bilgisayar üzerinde yaratıp, inşa ederek, ilaçları, sağlık yönetimine müdahale durumlarını teker teker deneyebiliyor ve hangi hastaya hangi tedavinin uygun olduğunu söyleyebiliyoruz” diyor.

Başka bir ifadeyle, simülasyon yalnızca korelasyon bulmakla ilgili değil: Eğer şöyle olursa ne olur sorularına da yanıt bulmak gerekiyor.  X hastaya A ilacı yerine B ilacı verirsek ne olur? Yapay zeka sayesinde artık bu durumu simüle etmek ve karşı olguları ortaya koyarak yanıtlamak mümkün. Gittikçe artan önemini de büyük ölçüde, GNS’nin teknoloji danışmanı, UCLA’da uzun zamandır bilgisayar bilimi araştırmacısı ve profesörü olan Judea Pearl’e borçlu. Pearl geçen yıl yayımladığı popüler kitabı The Book of Why’da gerçek zekanın nasıl makine öğreniminin yaptığı, salt örnekleri gözlemlemenin ötesine uzanarak, bu örneklerden yola çıkıp, karşı olguların ortaya çıkması halinde neler olabileceğine dair de mantık yürütebildiğini anlatıyor. Herhangi bir mekanizma fikrinden koparılmış tek başına veri gerçek anlamda bir kavrayış sunmuyor. Pearl, “veri nedensellik söz konusu olduğunda fazlasıyla aptal” diyor. Hill ise çok daha gerçekçi bir ifade kullanıyor: “Derin öğrenme hiç de o kadar derin değil.”

 

ŞİMDİ 67 YAŞINDA OLAN Daniel Cohen çocukluğunu Yahudi, Hıristiyan ve Müslümanların “barış ve nezaket içinde bir arada yaşadığı” Tunus’un kozmopolit ortamında geçirdi.  Kendisi “komplike değil karmaşık olan şeylere” yönelik merak deneyimini de yetişme biçimine bağlıyor. Cohen dokuz yaşındayken ailesi Paris’e göç etti; kendisi burada büyük bir iştahla piyano dersleri almaya başladı. Ancak müzisyen olarak değil de bilim insanı olarak daha büyük bir etki yaratabileceğini anladığında tıbba yöneldi; yine de piyano tutkusu onu bırakmadı. Londra Filarmonik Orkestrası’nda konuk şef oldu ve en büyük hayali de bu orkestrayı Çaykovski’nin Patetik Senfonisi’ni çalarken yönetmek. “Orkestra şefliği, CEO ve bilim adamlığına yatkınlığın tümü de aynı genler tarafından yönetiliyor” diyor gülerek.

Gen bilimi ve teknolojiyi eczacılık bilimine yönlendirmek Cohen’in daha önce de yaptığı bir şeydi. Nitekim kendisi multiple miyeloma tedavisine yönelik Velcade’ın geliştirilmesine katkıda bulunan ABD’li onkoloji ilaçları üreticisi Millennium Pharmaceuticals’ın kurucularındandı.

Cohen Pharnext’in yapay zekayla başarılı olabileceği konusunda iyimser ama aynı zamanda teknolojinin sınırlamalarının da farkında. Google’ın yapay zeka programı olan AlphaZero, önceden insan bilgisini kullanmadan, Çin’in strateji oyunu Go’da dünyadaki insan ustaları yenmeyi başardı. Ancak Cohen’in işaret ettiği gibi, Go’nun sınırlı sayıda kuralı vardı ve AlphaZero da bunların tümünü biliyordu. Biyolojide ise, kısmen de pleitropiden dolayı, kuralların tümü bilinmiyor ve belki de, asla bilinmeyecek.

Ancak akıllıca tasarlanmış yapay zeka Pharnext’in bilinen kurallara uygun modeller geliştirmesini ve buna göre seçimler yapmasını sağladı. Şirketin keşif modeli, on bin bilinen ilaç dünyasından hem patent süresi dolmuş hem de “piyasada olan” yani terapötik etkisi kanıtlanmış hem de halka satılacak kadar güvenilir olduğu kanıtlanmış 2 bin ilaç seçti.

Pharnext CMT ilacını geliştirmek amacıyla ilk olarak yaklaşık bir yıl hastalığın network modelini bir araya getirmekle uğraştı; GNS’nin Parkinson haritasına benzeyen bu modelleme sinir sistemi ve kaslarla ilgili sorunların nasıl ilgili gen mütasyonundan “şelale halinde döküldüğü”nü gösteriyor. Bu mekanizmaya dayanarak bilgisayar modeli bu şelaledeki değişik noktaları hedef alan 57 aday ilaçtan oluşan kısa bir listeye ulaştı. Pharnext daha sonra bu ilaçları birer birer in vitro olarak test etti ve fareler üzerinde denenecek 22 ilacı kapsayan daha kısa bir liste hazırladı; nihayetinde de, klinik insan deneylerine gönderilen üç ilaçlı bir kombinasyon ortaya koydu. En son pozitif Faz III sonuçları PXT3003 kokteylinin şelalenin farklı noktalarına etki ettiğini kanıtladı.

Cohen’e göre, yapay zeka modeli olmasa, klinik öncesi deneyler Pharnext’teki üç yıllık süreçten çok daha uzun yıllara yayılacaktı. “Başlangıç için 2 bin ilaçla, tüm olası kombinasyonları, bir milyar olasılığı üretebilirim” diyor. Bu, sayısız yanlış pozitif vakadan ve yıllarca süren, şimdilik halledilmiş gibi gözüken hayal kırıklıklarından sonra elde edilen sonuç.

 

PARİS BORSASI’NDA İŞLEM gören Pharnext’in hisseleri ekim ayında Faz III sonuçlarının açıklanmasından sonra iki katı üzeri bir değer kazandı. Şirket son on yılda ARGE’ye yaklaşık 120 milyon euro (135 milyon dolar) harcadı; bu rakam eczacılık standartlarına göre son derece mütevazı. Pharnext hiçbir zaman kâr etmedi ancak analistler PXT3003’ün piyasaya çıkması halinde, 2018 yılında 9 milyon euro olan cironun 2020 yılında artışa geçebileceğini tahmin ediyorlar. (GNS Healthcare borsaya açık olmadığından harcama ya da gelir beyanında bulunmuyor.)

Yatırımcılar açısından olası zaferler dışında Pharnext ve GNS’deki ilerlemeler yapay zekanın ve buna paralel farmakolojinin nasıl büyüdüğüne de işaret ediyor. Nedensellikle ilgili mantık yürütebilme becerisi ve karşı olgulara yönelik sorulara odaklanma yapay zeka kullanıcılarının çok uzun zamandır aşmaya çalıştıkları bir eşik. Bu startup’lardaki bilgisayar modelleri baş döndürücü bir dizi değişkeni yönetir ve işlerken aynı zamanda bu yönde bir dizi düzenleme de yapıyorlar.

Hatta hastalığın altta yatan anlamı da gelişme kat edebilir. Bilim adamları öğrenirken, bu tanımlamalar aşırı derecede basite indirgenmiş durumda. Geçen yıl Bioinformatics dergisinde yayımlanan bir çalışma tümörleri tedavi girişimlerinin kanserdeki genetik mütasyonların “temelden heterojen” olmaları nedeniyle engellendiğini not etti: Tek bir hastalık ya da bir hastalık sınıfı olarak gözüken bir şey aslında çok az sayıda müşterek nokta içerebiliyor. Herhangi bir vücutta olan bitenler bir dizi semptomu tetikleyen bir genin “aç/kapa” modelinden keskin bir şekilde farklılaştığından, teknoloji ilaç geliştiricilerinin bu zorlukla mücadele etmesine yardımcı olabilir.

Son ama en önemli nokta ise, yapay zeka odaklı çabaların çok hafif de olsa ekonomide bir umut ışığı olması. İlaç geliştirme maliyetinin ürkütücü boyutlara vardığı bir süreçte, akıllı algoritmalar birgün tıp çevrelerinin ilaç araştırmalarına harcanan trilyonlarca dolardan daha fazla değer elde etmelerini sağlayabilirler. Teorik olarak, mevut ilaçları yeni hedefler doğrultusunda yeniden düzenlediğinizde, Cohen’in ifadesiyle “(yeni) ilaçlar tasarlamaya gerek kalmıyor.” Kendisi “benim hissiyatıma göre, 50 ilaçla her şeyi tedavi edebiliriz” diyor. Tabii bu da, bir başka tanımlamayı da değiştirmek anlamına geliyor: “Keşfetme”nin tanımının gözden geçirilmesi gerekiyor.

SÜREÇ NASIL İŞLİYOR?

 

İlginizi Çekebilir

Türkiye’nin ilk yapay zeka odaklı kodlama sınıfı açıldı

Sertrans Logistics, Darüşşafaka Eğitim Kurumları ile Türkiye’de ilk kez lise seviyesinde y…