Genomik & Yapay Zeka: Genom Diziliminden Kişiselleştirilmiş Tıbba

İnsan Genom Projesi'nin ilk taslağı 2003'te, milyarlarca dolar ve on yılı aşkın bir çabayla tamamlanmıştı. Bugün bir bireyin tüm genomu çok daha kısa sürede ve çok daha düşük maliyetle dizilenebiliyor. Ancak bu erişilebilirlik, beklenmedik bir darboğaz yarattı: veriyi üretmek kolaylaştı, fakat onu yorumlamak hâlâ zor. Bir insanın genomunda ortalama milyonlarca varyant (referanstan sapma) bulunur ve bunların ezici çoğunluğunun klinik anlamı belirsizdir. İşte yapay zeka tam burada devreye giriyor.

Kodlayan Bölgeler: AlphaMissense

Genomun protein kodlayan bölgelerinde meydana gelen ve bir amino asidi başka biriyle değiştiren "missense" varyantlar, hastalıkların önemli bir kısmından sorumludur. Sorun şu: insan genomunda gözlenen yaklaşık 4 milyon missense varyantın yalnızca %2 kadarı klinik olarak sınıflandırılmış durumda. Geri kalanı "belirsiz öneme sahip varyant" (VUS) gri bölgesinde bekliyor — bu da hastalar ve hekimler için kararsızlık demek.

DeepMind'ın 2023'te yayımladığı AlphaMissense, AlphaFold'un protein yapısı bilgisinden uyarlanarak, missense varyantların patojenik olup olmadığını tahmin ediyor. Model, proteome ölçeğinde milyonlarca varyantı sınıflandırarak nadir genetik hastalıkların tanısına — ve potansiyel olarak tedavisine — büyük katkı vaadi taşıyor. Bağımsız değerlendirmeler, AlphaMissense'in missense etkisini ölçen işlevsel deneylerle, önceki tahmin algoritmalarına kıyasla daha iyi korelasyon gösterdiğini bildirdi.

Kodlamayan Genom: AlphaGenome

AlphaMissense'in çözemediği o devasa %98'lik kodlamayan alan için DeepMind, 2025 Haziran'ında AlphaGenome'u akademik kullanıma açtı; modelin ayrıntıları 28 Ocak 2026'da Nature'da yayımlandı. AlphaGenome, girdi olarak 1 megabazlık (bir milyon harf) DNA dizisi alıyor ve tek baz çifti çözünürlüğüne kadar binlerce işlevsel genomik "iz" tahmin ediyor: gen ifadesi, kromatin erişilebilirliği, histon modifikasyonları, transkripsiyon faktörü bağlanması, kromatin temas haritaları ve uç birleştirme (splaysing) bölgelerinin kullanımı gibi.

Pratik anlamı şu: AlphaGenome, kodlamayan bölgelerdeki bir varyantın gen düzenlemesini nasıl bozabileceğini öngörebiliyor. AlphaMissense'i (kodlayan bölge) ve AlphaGenome'u (kodlamayan bölge) tamamlayıcı düşünmek gerekir — birlikte, genomun çok daha büyük bir kısmını yorumlanabilir hale getiriyorlar.

Nadir Hastalıkların "Tanı Yolculuğu"nu Kısaltmak

Nadir genetik hastalığı olan bir çocuğun doğru tanıya ulaşması pek çok kohortta ortalama 5-7 yıl sürebiliyor — ailenin yıllarca süren belirsizliği ve gecikmiş tedavi anlamına gelen bir "tanı yolculuğu" (diagnostic odyssey). Tüm genom/ekzom dizilimi bu süreci kısaltma potansiyeli taşısa da, üretilen muazzam veri, biyoinformatik uzmanına erişimi olmayan klinisyenler için bunaltıcı olabiliyor.

Burada yapay zeka temelli varyant önceliklendirme araçları devreye giriyor. Uzun süredir kullanılan Exomiser gibi araçlar, hastanın dizilim verisini ve İnsan Fenotip Ontolojisi (HPO) terimleriyle kodlanmış klinik bulgularını birleştirerek aday varyantları sıralıyor. 2024-2025'te tanıtılan DeepRare ve Fabric GEM gibi daha yeni AI sistemleri ise bazı karşılaştırmalarda Exomiser'i geçerek, ham genomik dosyaları yorumlama ve olası hastalık nedeni varyantları bulma performansını artırdı. Özellikle yenidoğan yoğun bakımda, hızlı ekzom/genom dizilimi ve AI destekli analiz; tedavi edilebilir metabolik hastalıkları veya epileptik ensefalopatileri günler içinde ortaya çıkarabiliyor.

Doğru İlaç, Doğru Doz: Farmakogenomik

Kişiselleştirilmiş tıbbın en somut uygulamalarından biri farmakogenomiktir: bireyin genetik yapısına göre ilaç ve doz seçimi. İnsanlar ilaçları farklı metabolize eder; bu fark, aynı dozun bir hastada etkisiz, başka birinde toksik olmasına yol açabilir.

Klasik örnek CYP2D6 enzimidir: klinikte kullanılan ilaçların yaklaşık dörtte birini işler, ancak aktivitesi bireyler arasında geniş ölçüde değişir. Araştırmacılar, tüm CYP2D6 gen dizileri üzerinde eğitilmiş bir sinir ağıyla enzim aktivitesini sürekli bir ölçekte modellemeyi başardı; tamoksifen veya venlafaksin gibi CYP2D6 substratı ilaç alan hastalara uygulandığında bu model, bireysel ilaç yanıtının tahminini iyileştirdi. Daha geniş ölçekte, DeepDRA (2024) gibi modeller transkriptomik ve genomik veriyi birleştirerek ilaç yanıtı tahmininde yüksek başarım bildirdi.

Yapay Zekanın Genomik Yorumlamadaki Rolleri

Sorumluluk ve Sınırlar

Bu araçların gücü, sorumlu kullanımıyla doğru orantılı. AlphaMissense ve AlphaGenome gibi modellerin çıktıları tahmindir, kesin tanı değil; bir varyantın klinik sınıflandırması, ACMG/AMP gibi kılavuzlar çerçevesinde, aile öyküsü ve işlevsel kanıtlarla birlikte uzman yorumu gerektirir. Modeller belirli popülasyonlarda ve veri tipi az olan bölgelerde daha az güvenilir olabilir; eğitim verisindeki temsil eksiklikleri, eşitsizlik riskini de beraberinde getirir. Ayrıca genetik veri son derece mahrem bir bilgidir; gizlilik, onam ve veri güvenliği bu çağın ayrılmaz etik sorunlarıdır.

Yine de tablo açık: yapay zeka, genom dizilimini bir veri yığınından klinik olarak eyleme geçirilebilir bilgiye dönüştürmenin anahtarı haline geliyor. Kişiselleştirilmiş tıp, kısmen bu yorumlama yeteneği sayesinde, vaatten pratiğe geçiyor.