Yapay Zeka Modeli ‘MutationProjector’ Kanser Genetiğinde Tedavi Algoritmalarını Yeniden Yazıyor

Kişiselleştirilmiş Onkolojide Biyoinformatik Darboğazı: Mutasyonların Gizemi

Modern onkoloji pratiğinde kanser tanısı alan hastalar için tedavi süreci, tümörün genetik profilinin (genotip) çıkarılmasıyla başlıyor. Yeni Nesil Dizileme (NGS) teknolojilerinin klinik laboratuvarlarda standart hale gelmesiyle birlikte devasa boyutta genetik veri elde ediliyor. Ancak elde edilen bu verinin klinik faydaya dönüşümünde endüstri çapında ciddi bir darboğaz yaşanıyor. İstatistiklere göre, günümüzde yoğun genetik test yaklaşımlarına rağmen kanser vakalarının yalnızca yüzde 8’i, onaylanmış ve hedefe yönelik spesifik bir tedavi ile eşleştirilebiliyor.

Genetik sekanslamanın artık kanser bakımının rutin bir parçası olduğunu belirten uzmanlar, asıl sorunun hastanın tümöründe tespit edilen çok sayıdaki karmaşık mutasyonu işlevsel bir içgörüye (functional insight) dönüştürememek olduğuna dikkat çekiyor. Tam da bu noktada devreye giren yapay zeka ve makine öğrenimi algoritmaları, laboratuvarların bu veri yükünün altından kalkabilmesi için yepyeni bir paradigma sunuyor.

30 Binden Fazla Tümör, 468 Farklı Gen Haritası

Kaliforniya Üniversitesi San Diego’dan (UCSD) genetikçi Trey Ideker ve araştırma ekibi, Cancer Discovery dergisinde yayınlanan yeni çalışmalarında MutationProjector adını verdikleri ileri düzey bir yapay zeka temel modelini (foundation model) tanıttı. Bu yenilikçi model, tümörün hücresel mikroçevresini ve genetik manzarasını bütünüyle analiz ederek, hastanın çeşitli tedavi seçeneklerine nasıl yanıt vereceğini önceden tahmin edebiliyor.

Klinik pratikte genetik bilgiye dayalı onkolojik kararların çoğu, tekil genlerdeki alterasyonlara (örneğin sadece EGFR veya BRAF mutasyonlarına) odaklanarak alınır. Oysa ortalama bir solid tümör, birbirinden bağımsız yaklaşık 11 farklı genetik alterasyon taşır. Bu mutasyonların büyük bir kısmı klinik anlamı henüz tam olarak çözülememiş nadir varyantlardır (VUS) ve tedaviye verilecek yanıtı belirlemek için birbirleriyle karmaşık hücresel ağlar içinde etkileşime girerler.

Bu çok bilinmeyenli denklemi çözmek üzere eğitilen MutationProjector; akciğer, cilt ve mesane kanseri dahil olmak üzere 10 farklı solid kanser türünden elde edilen 30.328 gerçek dünya tümör verisi kullanılarak geliştirildi. Algoritma, 468 farklı genin etkilendiği mutasyon bilgilerini entegre ederek, genler arasındaki ve eşdeğişkenler (covariates) arasındaki gizli örüntüleri öğrenmeyi başardı.

Laboratuvardan Kliniğe: MutationProjector’un Başarıları

Araştırma ekibinin gerçekleştirdiği validasyon testlerinde MutationProjector’un sahip olduğu kapasite, mevcut biyomarker tahmin yöntemlerini geride bıraktı veya onlarla başa baş performans sergiledi. Sistemin öne çıkan yetenekleri şunlar oldu:

• Kemoterapi ve immünoterapi ajanlarına verilecek hücresel yanıtın yüksek doğrulukla önceden saptanması.
• Metastatik (yayılım göstermiş) tümörler ile lokalize kalmış tümörlerin moleküler ve genetik imza düzeyinde birbirinden kesin olarak ayırt edilmesi.
• Geleneksel onkoloji panellerinde gözden kaçması muhtemel olan çapraz gen reaksiyonlarının tespit edilmesi.

Kara Kutu Algılayışını Yıkan ‘Açıklanabilir’ Yapay Zeka

Pek çok klinik yapay zeka modelinin önündeki en büyük engel, tıbbi profesyoneller tarafından bir ‘kara kutu’ olarak görülmeleridir. Ancak MutationProjector, sadece bir tedavinin işe yarayıp yaramayacağını tahmin etmekle kalmıyor; aynı zamanda bu tahmini neden yaptığını moleküler düzeyde açıklayabiliyor. Model, kemoterapi yanıtını belirlerken iyi bilinen DNA onarım genlerinin (örneğin BRCA1) yanı sıra, hücre döngüsü regülasyon genleri ve reseptör tirozin kinaz (RTK) sinyal yolağı genleri gibi beklenmedik genetik işaretleyicileri de karar sürecine dahil ettiğini gösterdi.

Çalışmanın ortak yazarlarından UCSD Biyoinformatik Uzmanı JungHo Kong, sistemin potansiyelini şu sözlerle özetliyor: “Büyük bir tümör koleksiyonu üzerinde ön eğitim yaparak ve moleküler ağ bilgisini entegre ederek, geleneksel biyobelirteç yaklaşımlarıyla kolayca gözden kaçabilecek kalıpları tespit edebiliyoruz. Bu bize, uzun mutasyon listelerinden kurtulup tümörün daha fonksiyonel bir anlayışına geçme imkanı veriyor.”

Geleceğin Vizyonu: Çoklu Veri (Multimodal) Entegrasyonu

Trey Ideker ve ekibinin bir sonraki hedefi, modelin tahmin edebileceği kanser türlerinin sayısını genişletmek. Daha da önemlisi, sistemin sadece genetik verilerle sınırlı kalmayıp; radyolojik görüntüleme taramaları, dijital patoloji kesitleri ve elektronik sağlık kayıtları (EHR) gibi klinik bilgileri de öğrenme sürecine dahil etmesi planlanıyor. Bu vizyon, moleküler patoloji laboratuvarlarının onkolojik karar alma mekanizmasındaki rolünü, bir ‘veri üreticisi’ olmaktan çıkarıp ‘stratejik tedavi planlayıcısı’ konumuna yükseltecek bir teknolojik sıçrama anlamına geliyor.