Mutasyonlarla Eğitilmiş Büyük Dil Modeli, Kanser Gidişatını ve Tedaviyi Şekillendiriyor

Son yıllarda yapay zekâ alanında yaşanan en çarpıcı gelişmelerden biri, insan dilini anlamak ve üretmek konusunda olağanüstü bir yetkinlik kazanan Büyük Dil Modellerinin (LLM – Large Language Models) yükselişi oldu. Özellikle ChatGPT serisiyle birlikte bu modellerin yalnızca yazılı metinleri değil, aynı zamanda karmaşık bilimsel kavramları ve hatta biyolojik sistemleri de yorumlayabileceği ortaya çıktı.

LLM'ler, milyarlarca parametre içeren yapıları sayesinde, sadece doğal dili değil, DNA dizileri, protein yapıları ve genetik varyasyonlar gibi biyomedikal verileri de analiz etme kapasitesine sahip hale geldi. Bu gelişme, veri yoğunluğu yüksek disiplinlerde – özellikle onkoloji gibi alanlarda – devrim niteliğinde bir dönemi başlattı.

Kanser tedavisinde kişiselleştirilmiş yaklaşımlar – yani "hassas tıp" – son yılların en büyük umut kaynaklarından biri. Çünkü her hastanın kanseri, kendine özgü bir genetik imzaya sahiptir ve bu imza, tedaviye verilen yanıtı büyük ölçüde belirler.

Günümüzde yeni nesil dizileme (NGS) teknolojileri sayesinde tümörlerdeki somatik mutasyonlar tespit edilebiliyor; ancak bu verilerin klinik karşılığını tam anlamıyla çözümlemek hâlâ önemli bir zorluk. Bilinen hedeflenebilir mutasyonların sayısı sınırlıyken, birçok varyant “bilinmeyen öneme sahip” olarak kalıyor.

İşte tam da bu noktada, LLM’ler yalnızca doğal dili değil, kanserin moleküler dilini de öğrenerek, hastalık gidişatını tahmin etme ve en uygun tedavi seçeneklerini önerme potansiyeli taşıyor. Bu yaklaşım, modern onkolojinin geleceğini yeniden şekillendirebilir.

Amerikan Kanser Araştırmaları Derneği (AACR) Yapay Zeka ve Makine Öğrenimi Özel Konferansı'nda sunulan çığır açıcı bir çalışmada, Dr. John-William Sidhom ve ekibi, her hastanın somatik mutasyonlarının kanser gidişatını ve tedavi yanıtını nasıl etkilediğini anlayabilen Büyük Dil Modelleri geliştirdiklerini duyurdu.

Dr. Sidhom, bu modellerin kanserin kendi "dilini" öğrenerek tümörleri teşhis edebileceğini, prognozu tahmin edebileceğini ve her hastaya özel en uygun tedavi rejimlerini önerebileceğini belirtiyor.

Güncel yeni nesil dizileme (NGS) raporlarında, bilim insanlarının genombaki hedeflenebilir mutasyonlar hakkındaki bilgilerinin sınırlı olması nedeniyle veri eksiklikleri yaşanabiliyor. Birçok mutasyon "bilinmeyen öneme sahip varyant" olarak sınıflandırılıyor.

Ayrıca, mevcut hedefe yönelik tedaviler tek bir genomik sürücüyü hedef alsa da, aynı sürücülere sahip hastalar farklı yanıtlar verebiliyor. Çünkü her hastalıkta başka potansiyel sürücüler de bulunabiliyor. Dr. Sidhom, işte bu nedenle hassas tıptaki bu boşluğu doldurmayı hedeflediklerini açıklıyor.

Dr. Sidhom, bir NGS raporundan alınan mutasyonlar ve bilgilerle akıl yürüterek prognozu tahmin edebilen ve sistemik tedavi kararlarına rehberlik edebilen bir Büyük Dil Modeli geliştirme olasılığını araştırdı. Model, kanserle ilişkili farklı mutasyonların anlamını ve aynı anda birlikte nasıl çalışabileceklerini öğrenmek üzere eğitildi.

Kanser araştırmalarında şu anda kullanılan LLM'ler genellikle referans genom üzerine eğitiliyor. Ancak bu modellerin klinik geçerliliği sınırlı. Dr. Sidhom, modellerin somatik mutasyon katalogları, kansere özgü değişiklikler ve klinik sonuç verileri ile yani bir "mutanom" üzerinden eğitilmesini öneriyor.

Bu model, her mutasyonun referansı ve değişikliğini dikkate alan çift dikkat mimarisi kullanılarak oluşturuldu. Böylece model, hem genetik dizilim sırasını hem de her mutasyonun bireysel çıkarımını anlayabiliyor. Araştırmacılar ayrıca değiştirilmiş sekansları maskeleyerek modelin, “genetik mutasyonların kelime dağarcığını ve sözdizimini” yani bir nevi metagenez kurallarını öğrenmesini sağladı.

“Bu çift dikkat mekanizması, kanseri yönlendiren hastalar arasındaki karmaşık etkileşimleri anlamak için çok güzel yorumlanabilir bir çerçeve sunuyor,” diyor Dr. Sidhom.

Dr. Sidhom ve ekibi, modeli ilk olarak 10.224 hasta ve 33 kanser tipinde 3 milyondan fazla somatik varyasyon içeren Kanser Genom Atlası'ndan (TCGA) alınan verilerle eğitti.

Daha sonra, 805 AML hastasına ait BeatAML2 veri seti kullanılarak, bu hastalardaki genomik temsiller ile immünoterapilere verilen yanıtlar arasındaki korelasyonları anlamaya çalıştılar. Modelin her tedaviye yanıtı öngörebilmesi için çoklu örnek öğrenimi (multi-instance learning) uygulandı.

Model, TCGA’daki kansere özgü hasta kohortlarında prognozu, k-ortalamalar kümelemesi gibi denetimsiz öğrenme yöntemleriyle tahmin etti. Bu kümeler daha sonra Kaplan–Meier analizlerine dönüştürüldü.

Öğrenilen örüntüler sayesinde, model her kanser türü için küresel dikkat paternleri ve olası nedensel zincirleri temsil edebildi. Örneğin, kolorektal kanserde, APC mutasyonlarına yüksek bağımlılık gözlendi.

Ayrıca model, kolorektal kanserin klasik Vogelstein modelini — yani TP53 → KRAS → APC sırasını — dikkat ağırlıklarıyla temsil ederek biyolojik geçerliliğini kanıtladı.

Kabozantinib, akut miyeloid lösemide henüz yaygın olarak kullanılmasa da, model bu ajana yanıtı öngörmeye çalıştı.

Kanonik korelasyon: 0.3052 (P < 0.001)
AUC (eğri altındaki alan): 0.70 hem direnç hem duyarlılık için.

“Umut ediyoruz ki, daha fazla veri ve daha güçlü modellerle bu performans iyileşecektir,” diyor Dr. Sidhom.

Bu çalışma, yapay zekânın onkolojideki dönüştürücü potansiyelini açıkça ortaya koymaktadır. Büyük Dil Modelleri, sadece dil metinlerini değil, aynı zamanda genetik verileri de analiz ederek, prognoz tahmini ve tedavi seçimi gibi kritik kararlarda klinisyenlere güçlü bir destek sunabilir.

Bu yeni nesil araçlar, hassas tıp uygulamalarını bir sonraki seviyeye taşıyarak her hastaya özel, daha etkili ve kişiselleştirilmiş tedavi stratejileri geliştirmemize yardımcı olabilir.

Gelecekte daha fazla veri ve daha gelişmiş modellerle, bu teknolojinin kanserle mücadelede dijital bir devrimi mümkün kılması beklenmektedir.