Yapay Zeka Biyolog Dönemi mi Başlıyor? XunZi'nin Vaatleri ve Sınırları
Bu yazı, alışık olduğumuz "yeni ilaç" veya "yeni klinik çalışma" haberlerinden farklı bir şey anlatıyor: bilim insanlarının, bir hastalığın arkasındaki geni bulma sürecinin kendisini hızlandırmaya çalışan bir yapay zeka. Araştırmacılar buna "AI biyolog" diyor ve adını, MÖ 3. yüzyılda yaşamış Konfüçyüsçü filozof Xunzi'den (Xún Zǐ) almışlar — bilginin sezgiden değil, birikmiş gözlemin sistemli akıl yürütmeyle işlenmesinden doğduğunu savunan bir düşünürden.
Bu, oldukça ses getiren bir çalışma. Biz de bu yazıda hem mimarisini hem de akciğer kanseri ve Parkinson hastalığındaki iki somut bulgusunu, abartısız bir şekilde ele alacağız.
Biyomedikal araştırmanın kronik bir sorunu var: dünya çapında milyonlarca yayın ve devasa boyutta "multi-omik" veri (genom, protein, hücresel yol verisi) üretiliyor, ama tek bir insan zihni bunların hepsini birden sentezleyip "hangi gen, hangi hastalıkta gerçekten önemli" sorusuna güvenilir bir yanıt veremiyor. XunZi, bu boşluğu iki farklı modülü birleştirerek kapatmaya çalışıyor:
XunZi-R: Mistral 7B adlı açık kaynaklı bir dil modeli temel alınarak, 24,4 milyon bilimsel yayın ve 336.108 adet, uzman-onaylı "mekanistik akıl yürütme" örneğiyle (bir genin bir hastalıkta nasıl işlev gördüğünü adım adım açıklayan metinler) yeniden eğitilmiş. Amaç, "X geni Y hastalığında işlevsel mi?" gibi bir soruya, sadece "evet/hayır" değil, hangi genlerin ve hangi hücresel yolların etkilendiğini açıklayan bir yanıt üretebilmek.
XunZi-M: 2,8 milyon protein-protein etkileşimi, 47.922 Gen Ontolojisi terimi ve 613 terabayt'lık multi-omik veriyi (genom, transkriptom, proteom gibi farklı katmanlar) bir grafik sinir ağı (GCN) ile birleştiren, sayısal veriye dayalı bir modül.
Araştırmacılar, XunZi'yi genel gen-hastalık sınıflandırma görevlerinde doğrudan GPT-4o ile karşılaştırmış. Fark, göz ardı edilemeyecek kadar büyük:
Küçük hücreli dışı akciğer kanserinde (NSCLC), XunZi'nin önerdiği 20 aday genden 20'si laboratuvarda test edilmiş ve 5'i doğrulanmış. Bunlardan biri özellikle dikkat çekici: MYO1B — PI3K/AKT ve MAPK/ERK gibi kanserde iyi bilinen sinyal yollarını düzenleyen, ama daha önce akciğer kanseriyle ilişkilendirilmemiş bir gen. Üstelik yazarlara göre, aynı soruyu sorduklarında GPT-4o bu geni önermemiş.
Yeni bir ilaç hedefi bulmanın en zor kısmı, "daha önce kimsenin bakmadığı ama gerçekten işlevsel olan" bir geni işaret edebilmek. MYO1B örneği, XunZi'nin sadece bilinen genleri tekrar etmediğini, literatürde dolaylı olarak var olan ama hiç birleştirilmemiş ipuçlarını bir araya getirerek gerçekten yeni bir hipotez üretebildiğini gösteriyor — laboratuvar doğrulamasıyla desteklenmiş şekilde.
XunZi'nin gerçek gücünü gösteren en somut örnek, tamamen farklı bir hastalıktan geliyor: Parkinson hastalığı. Sistem, en olası 20 kinaz (enzim) adayını sıraladıktan sonra, bunlar MPP+ (dopaminerjik nöronlara zarar veren bir toksin) ile hasar görmüş nöronlarda test edilmiş; 3 tanesi (CHK2, IRAK4, STK33) koruyucu etki göstermiş.
CHK2 ve IRAK4'ün, iki bağımsız Parkinson fare modelinde (MPTP ve alfa-sinüklein "preformed fibril" modelleri) substantia nigra bölgesinde anormal derecede aktifleştiği gösterilmiş. AAV yöntemiyle CHK2'yi baskılamak, dopaminerjik nöron kaybını ve motor bozuklukları geriletmiş.
İşte asıl çarpıcı kısım: araştırmacılar bu doğrulamayı, sıfırdan yeni bir ilaç geliştirmek yerine, zaten var olan bir molekülle yapmışlar — CCT241533, aslen 2011'de kanser araştırmalarında PARP inhibitörlerinin etkisini güçlendirmek amacıyla geliştirilmiş, seçici bir CHK2 inhibitörü. Bu molekül her iki Parkinson modelinde de koruyucu etki göstermiş — üstelik beklenmedik bir şekilde, Parkinson hastalığının bilinen en önemli genlerinden biri olan LRRK2'nin aktivasyonunu da baskılamış — bu bağlantı, XunZi'nin önceden hiçbir yayında veya başka bir yapay zeka sisteminde bulunmayan, kendi ürettiği bir tahminmiş.
Bu, ilaç geliştirmede sevdiğimiz bir örüntüye tam oturuyor: bir hastalık için geliştirilmiş bir molekül, tamamen farklı bir hastalıkta yeniden konumlandırılabiliyor — tabii ki bu, henüz insanlarda test edilmemiş, fare modeli düzeyinde bir bulgu.
- Eğitim verisindeki "negatif" etiketleme sorunu: Model eğitilirken, henüz karakterize edilmemiş gen-hastalık çiftleri "negatif" (ilişkisiz) olarak varsayılıyor — oysa bunlardan bazıları aslında ilişkili olup henüz keşfedilmemiş olabilir. Bu, kaçınılmaz bir belirsizlik kaynağı.
- Doğrulama yalnızca iki hastalıkla sınırlı (NSCLC ve Parkinson). Nadir görülen veya veri açısından zayıf hastalıklardaki performansı bilinmiyor.
- Tek hücre düzeyinde zamansal veri, protein yapıları veya klinik kayıtlar modele dahil edilmemiş.
- Sadece CHK2 için canlı hayvan modelinde farmakolojik doğrulama var. IRAK4 ve STK33 için hayvan modeli doğrulaması henüz yapılmamış.
- Ve en temel nokta: bu bir hedef-keşif ve hipotez-üretim aracı — hiçbir bulgusu, insanlarda test edilmiş bir tedavi anlamına gelmiyor.
- "Yapay zeka Parkinson ve akciğer kanserinin çaresini buldu!"
- "AI biyolog, insan bilim insanlarının yerini alıyor"
- "Yeni ilaç yolda: yapay zeka onu zaten keşfetti"
- Bu bir hipotez üretme ve önceliklendirme aracı — hangi genlerin/moleküllerin laboratuvarda test edilmeye değer olduğunu, insan araştırmacılardan daha hızlı ve isabetli şekilde öneriyor
- Bulgular hücre kültürü ve fare modeli düzeyinde; insanlarda hiçbir klinik test yapılmadı
- 3 aday kinazdan sadece 1'i (CHK2) canlı hayvanda ilaç düzeyinde doğrulandı
- Bu araç, insan bilim insanının yerini almıyor — onun "nereye bakması gerektiğini" daha hızlı işaret ediyor
- Bu bir tedavi değil, henüz insana hiç ulaşmamış bir araştırma aracı — bu yazıdaki hiçbir bulgu, bugün Türkiye'de veya dünyanın herhangi bir yerinde bir hastaya doğrudan uygulanabilir değil.
- Asıl önemli soru, bu tür araçların araştırma hızını nasıl değiştireceği. Onkolojide yapay zekanın tanı ve görüntüleme desteğinden, artık hedef keşfi gibi araştırmanın en erken ve en yavaş aşamasına doğru genişlediğini gösteriyor.
- CCT241533 örneği, "ilaç yeniden konumlandırma" (drug repurposing) stratejisinin değerini hatırlatıyor — sıfırdan yeni bir molekül geliştirmek yıllar ve milyarlarca dolar gerektirirken, var olan, güvenlik profili kısmen bilinen bir molekülü yeni bir hastalıkta test etmek çok daha hızlı bir yol olabilir.
- Bu tür yapay zeka araçlarının Türkiye'deki akademik ve klinik araştırma merkezlerine erişimi, gelecekte yerli hedef-keşif kapasitesini artırma potansiyeli taşıyor — ama bu, altyapı ve veri erişimi gerektiren, uzun vadeli bir konu.
Bu haberi okuyup "Parkinson'a veya akciğer kanserine karşı yeni bir ilaç mı çıktı?" diye düşündüyseniz: hayır, henüz değil. Bu çalışma, hangi genlerin ve moleküllerin gelecekte bir ilaç hedefi olabileceğini daha hızlı işaret eden bir yapay zeka aracını tanıtıyor. CHK2 inhibitörünün insanlarda Parkinson için test edilmesi, eğer gerçekleşirse, yıllar sürecek bir süreç.
Bu tür haberleri takip ederken sorulabilecek en sağlıklı soru: "Bu bulgu hangi aşamada — hücre kültürü mü, hayvan modeli mi, yoksa insan çalışması mı?" Bu örnekte yanıt, en olumlu senaryoda bile "hayvan modeli" aşamasında.
Biyomedikal araştırmanın en büyük darboğazlarından biri, "hangi geni, hangi hastalıkta hedeflemeliyiz" sorusuna hızlı ve güvenilir yanıt verebilmek. XunZi, literatür-temelli akıl yürütme ile sayısal multi-omik veriyi birleştirerek, bu sürece insan araştırmacıların tek başına ulaşamayacağı bir hız ve kapsam katıyor — hem kanserde hem kanser-dışı bir hastalıkta somut, laboratuvarda doğrulanmış sonuçlarla.
XunZi, 24,4 milyon yayın ve 613 TB multi-omik veriyle eğitilmiş, 7,3 milyar parametreli bir sistem; genel sınıflandırma görevinde GPT-4o'yu belirgin farkla geride bırakıyor (%90,2 vs %54,1 doğru pozitif oranı). NSCLC'de önerdiği 20 genden 5'i doğrulandı (MYO1B dahil, GPT-4o tarafından önerilmemiş). Parkinson'da, önerdiği 3 koruyucu kinazdan CHK2, iki bağımsız fare modelinde ve var olan bir kanser-araştırma molekülüyle (CCT241533) doğrulandı; bu molekül ayrıca LRRK2 üzerinde daha önce bilinmeyen bir etki gösterdi.
Eğitim verisinde karakterize edilmemiş gen-hastalık çiftleri "negatif" varsayılıyor — bu, model performansını yapay olarak etkileyebilecek bir belirsizlik. Doğrulama yalnızca iki hastalıkla sınırlı; nadir hastalıklardaki güvenilirlik bilinmiyor. Tek hücre verisi, protein yapıları ve klinik kayıtlar modele dahil değil. Yalnızca bir hedef (CHK2) canlı hayvanda farmakolojik olarak doğrulandı; bu bulgular insan çalışmalarından çok uzakta.
Bugün için klinik pratikte doğrudan bir karşılığı yok — bu bir araştırma/hedef-keşif aracı. Ama araştırmacılar ve akademik merkezler için, bu tür yapay zeka sistemlerinin hipotez üretme sürecine nasıl entegre edilebileceği, giderek daha somut bir soru haline geliyor.
IRAK4 ve STK33'ün hayvan modeli doğrulaması ne gösterecek? CCT241533'ün Parkinson hastalığı için insanlarda test edilmesi gündeme gelecek mi? XunZi, nadir veya veri açısından zayıf hastalıklarda ne kadar güvenilir çalışacak? Ve daha genel bir soru: bu tür "AI biyolog" sistemleri, ilaç geliştirmenin en pahalı ve en yavaş aşamalarından biri olan hedef keşfini gerçekten kısaltabilecek mi — yoksa darboğaz, klinik doğrulama aşamasına mı kayacak?
- Huang X, Qin J, Tang F, ve ark. XunZi, an AI Biologist, Reveals Disease-Modifying Targets. Nat Biomed Eng. 2026.
- Caldwell JJ, ve ark. CCT241533 Is a Potent and Selective Inhibitor of CHK2 that Potentiates the Cytotoxicity of PARP Inhibitors. Cancer Res. 2011;71(2):463-472.
Editör notu: Bu içerik, Nature Biomedical Engineering'de yayımlanan bir hesaplamalı biyoloji/hedef-keşif çalışmasının Türkçe uyarlamasıdır; genel bilgilendirme amacı taşır, tıbbi tavsiye değildir. Bu çalışmada tanıtılan yapay zeka sistemi bir tedavi değildir; bulguları hücre kültürü ve fare modeli düzeyindedir ve insanlarda hiçbir klinik test yapılmamıştır. CHK2 inhibitörü CCT241533'ün Parkinson hastalığındaki potansiyel kullanımı, bu yazının yazıldığı tarihte yalnızca preklinik (hayvan modeli) düzeyinde bir bulgudur. Bu tür erken aşama araştırma bulgularının insan hastalarına ne zaman ve nasıl uygulanabilir hale geleceği belirsizdir. Sağlığınızla ilgili her karar için hekiminize danışınız.
