Kısa cevap

Google DeepMind, AlphaGenome Atlas adıyla "insan genomundaki her olası DNA harfi değişikliğinin öngörücü haritası"nı yayımladı. Kataloğun büyüklüğü 9 milyar varyant, veri kümesinin boyutu yaklaşık 1 petabayt.

Ama en baştan bir ayrım koymak gerekiyor: bu bir ölçüm kataloğu değil, bir tahmin kataloğu. İçindeki her satır, bir modelin "bu harf değişirse moleküler düzeyde şu olur" tahmini. Bu yazı hem haritanın ne olduğunu hem de bu ayrımın neden her şeyi belirlediğini anlatıyor.

Önce temel: genom ve varyant nedir?

DNA dört kimyasal "harf"le yazılıyor — kısaca A, C, G ve T. İnsan genomu kabaca 3 milyar harf çifti içeriyor. Bu harfler hayatı işleten talimatları taşıyor: genlerin nasıl, ne zaman, nerede ve ne ölçüde açılıp kapandığını.

Tek bir harfin değişmesine varyant deniyor. Bir varyant üç şeyden biri olabilir: tamamen zararsız, insanlar arasındaki sıradan farklara katkıda bulunan bir şey, ya da bir hastalıkta rol oynayan bir etken. Alandaki en büyük zorluklardan biri tam olarak bu: hangi değişikliğin önemli olduğunu ve nasıl önemli olduğunu ayırt etmek.

Ölçek neden bu kadar zorlu? 3 milyar konumun her birinde harf üç farklı şeye dönüşebiliyor. Bu da kabaca 9 milyar olası tek harf değişimi demek. Bunların hepsini deneysel olarak ölçmek mümkün değil — bu yüzden tahmin devreye giriyor.

Neden 9 milyar? Sayıyı anlamak

Rakam ilk bakışta keyfî görünüyor, oysa doğrudan hesaplanabiliyor. Genomda 3 milyar konum var ve her konumda dört harften biri duruyor. O harfi değiştirmek isterseniz geriye üç seçenek kalıyor. Üç çarpı üç milyar, 9 milyar eder.

Bu hesap aynı zamanda kataloğun sınırını da gösteriyor: Atlas tek harf değişimlerini kapsıyor. Bir harfin silinmesi, araya harf eklenmesi, bir bölümün kopyalanması ya da kromozom düzeyindeki yeniden düzenlenmeler bu 9 milyarın dışında. Genetik hastalıkların bir kısmı tam olarak bu türden değişikliklerden kaynaklanıyor.

Yani "her olası değişiklik" ifadesi teknik olarak "her olası tek harf ikamesi" anlamına geliyor. Kapsam yine de devasa ama sınırı bilmek, katalogda aranan şey bulunamadığında nedenini anlamayı sağlıyor.

"Moleküler etki" ne demek?

Atlas'ın tahmin ettiği şey hastalık değil, moleküler sonuç. Aradaki fark, haberin en kolay atlanan yeri.

Model şunu söylüyor: bu harf değişirse, belirli bir genin ifadesi şu yönde değişir, ya da şu proteinden şu kadar daha az üretilir. Söylemediği şey ise bunun kişide bir hastalığa yol açıp açmayacağı. Moleküler bir değişiklik hiçbir gözlenebilir sonuç doğurmayabilir; beden çoğu zaman telafi mekanizmalarına sahip. Ya da sonuç yalnızca belirli bir yaşta, belirli bir çevresel etkenle birlikte ortaya çıkabilir.

Bu zincir — harf → moleküler etki → hücresel sonuç → dokular → hastalık — dört basamak ve Atlas yalnızca ilk basamağı öngörüyor. Bir haber başlığı "yapay zeka hastalık nedenlerini haritaladı" dediğinde, atlanan şey aradaki üç basamak oluyor.

Atlas ne içeriyor?

Atlas, bu 9 milyar varyantın her birinin bedeni moleküler düzeyde nasıl etkileyebileceğine dair tahminler içeriyor. Örneğin belirli bir proteinden ne kadar üretildiğinin değişmesi gibi. Araştırmacılar bunu "genetik mutasyonların moleküler biyolojiyi nasıl etkilediğine dair en kapsamlı katalog" olarak tanımlıyor.

Kataloğa üç yoldan erişiliyor: bir web portalı, Google'ın ajan tabanlı geliştirme platformu Antigravity içinde bir beceri olarak, ve AlphaGenome arayüzü üzerinden.

Milyarlarca olasılık arasında boğulmamak için Google ayrıca bir Varyant Etki Puanı (AVI) yayımlıyor. Şirketin DNA değişikliklerinin etkilerini öngören diğer modellerinden yararlanan bu puan, araştırmacıların varyantları hızla sıralayıp aynı anda moleküler etkilerini yorumlamasını sağlıyor.

Asıl yenilik: proteine kodlamayan bölgeler

Atlas, AlphaGenome adlı modelin üzerine kuruluyor — DeepMind'ın geçen yıl hastalıkların genetik sürücülerini bulmaya yardım etmek için tanıttığı model. Daha eskisi ise küçük mutasyonların proteinleri değiştirip değiştirmeyeceğini tahmin etmeye odaklanan AlphaMissense'ti.

Atlas'ın farkı kapsamda: tahminleri genom boyunca genişletiyor ve bu, doğrudan protein kodlamayan geniş bölgeleri de içeriyor. Bu ayrım önemli, çünkü genomun büyük kısmı protein tarifi taşımıyor; onun yerine genlerin nasıl davrandığını denetliyor. Uzun süre "önemsiz" sayılan bu bölgelerin hastalıkta belirleyici rol oynadığı artık biliniyor ve tam da bu bölgeler deneysel olarak en zor incelenenler.

Model neyle eğitildi?

AlphaGenome, insan ve fare genomlarının kamuya açık veri tabanlarıyla eğitildi; bu sayede DNA değişiklikleri ile biyolojik süreçler arasındaki örüntüleri öğrendi. Bu tahminlerin milyarlarca olası varyanta uygulanması, Google'a göre yaklaşık 1 petabaytlık devasa bir veri kümesi üretti.

DeepMind'ın genomik lideri Ziga Avsec, temel modelin — AlphaGenome — zaten yayımlanmış olduğunu kabul ediyor ama yeteneklerini genom ölçeğinde bir kataloğa dönüştürmenin zaman aldığını söylüyor: "Bu kadar varyantı gerçekten önceden hesaplamak ve çözümlemek epey zamanımızı aldı, çünkü uzay çok büyük."

Bu ne kadar güvenilir?

Buradaki en önemli okuma kuralı şu: tahmin, ölçüm değildir. Atlas'taki 9 milyar satırın hiçbiri laboratuvarda ölçülmedi; hepsi bir modelin öğrendiği örüntülere dayanarak ürettiği kestirim.

Bunun pratik sonuçları var. Model eğitim verisinde iyi temsil edilen bölgeler için muhtemelen daha güvenilir tahmin üretiyor; az çalışılmış bölgelerde ise güvenilirlik düşüyor ama katalogda iki tür satır aynı biçimde görünüyor. Ayrıca eğitim verisi kamuya açık insan ve fare genomlarından geliyor — bu veri tabanlarındaki nüfus temsili tarihsel olarak dengesiz, çoğunlukla Avrupa kökenli örneklere ağırlıklı. Bir tahmin haritası, üzerine kurulduğu verinin eğilimlerini taşır.

Dolayısıyla Atlas'ın işlevi bir cevap kataloğu olmak değil, hangi soruların sorulmaya değer olduğunu daraltmak. Deneysel doğrulama hâlâ gerekiyor; Atlas o deneyin nereye yapılacağını söylüyor.

Bir tahmin haritası pratikte neye yarar?

Somut kullanım şöyle işliyor. Bir hastada nedeni bilinmeyen bir tablo var ve genom dizilemesi yapılıyor. Sonuçta o kişiye özgü binlerce varyant çıkıyor — çoğu tamamen zararsız. Klinik genetikçinin sorunu hangisine bakacağını seçmek.

Şu anda bu seçim, bilinen hastalık genleri veri tabanlarına ve varyantın proteini bozup bozmadığına bakılarak yapılıyor. Protein kodlamayan bölgelerdeki varyantlar ise çoğunlukla "anlamı bilinmiyor" kutusuna düşüyor. Atlas'ın vaadi bu kutuyu küçültmek: o varyant için de bir moleküler tahmin ve bir öncelik puanı sunuyor.

İkinci kullanım araştırma tarafında. Bir hastalıkla ilişkili genom bölgesi biliniyor ama içindeki hangi varyantın etkili olduğu bilinmiyorsa, deneysel olarak hepsini denemek pahalı. Atlas, deneye hangi varyantla başlanacağını sıralıyor. Kazanç yeni bir bilgi değil, deney sırasının kısalması.

Ne zaman şüpheci olmalı?

Bu tür duyuruları okurken üç soru işe yarıyor:

  • Tahmin mi ölçüm mü? Katalog laboratuvarda mı üretildi yoksa modelden mi çıktı? Atlas'ta cevap net: modelden.
  • Doğrulama nerede? Modelin bilinen sonuçlar üzerinde ne kadar isabetli olduğu ayrı yayımlanıyor mu, yoksa yalnızca kapsam mı duyuruluyor?
  • Hangi nüfus? Eğitim verisinin temsil ettiği gruplar dışında kalan bir kişi için tahminin güvenilirliği aynı değil.

Bu üç soru Atlas'a özgü değil; yapay zekayla üretilmiş her büyük bilimsel katalog için geçerli. Bir kaynağın değeri, sınırlarını ne kadar açık söylediğiyle de ölçülüyor — ve DeepMind'ın genomik lideri kataloğun önceden hesaplanmış tahminlerden oluştuğunu açıkça söylüyor.

Kimler kullanabilir?

  • Araştırmacılar bugünden itibaren ticari olmayan kullanım için Google'ın web sitesi üzerinden erişebiliyor.
  • Ticari kullanım için erişim Google Cloud üzerinden "yakında" açılacak.
  • Varyant Etki Puanı, milyarlarca olasılık arasında öncelik sıralaması yapmayı sağlıyor.
  • Antigravity içinde bir beceri olarak sunulması, ajan tabanlı iş akışlarına doğrudan bağlanabildiği anlamına geliyor.

Daha geniş tabloda

Atlas, Google'ın bilim ve tıptaki temel sorunlara yapay zekayla yaklaşma çabalarının sonuncusu. Bu alandaki en bilinen işi, Demis Hassabis ile John Jumper'a 2024 Nobel Kimya Ödülü'nü kazandıran protein yapısı tahmin modeli AlphaFold. Şirket ayrıca hava tahmini, hesaplama ve matematikte yeni çözümler bulma ve ajan tabanlı bir "yardımcı bilim insanı" için de araçlar geliştirdi.

Duyurunun zamanlaması da anlamlı: DeepMind'ın kurucu ortağı Demis Hassabis laboratuvarı yönetmekten çekilip bilimsel araştırmaya odaklanıyor, bu kapsamda ilaç keşfi girişimi Isomorphic Labs'in başında.

Özetle

AlphaGenome Atlas'ın önemi tek bir keşif değil, ölçek: daha önce tek tek sorulabilen bir soruyu 9 milyar kez birden sormuş ve cevapları aranabilir hâle getirmiş oluyor.

Ama haritanın kendisi bir keşif değil, keşfin başlangıç noktası. "Her olası DNA harfi değişikliğinin haritası" cümlesi doğru; eksik olan sıfat şu: öngörülen. O sıfat cümlenin içinde zaten var ve bu tür haberlerde en sık düşen kelime tam olarak o oluyor.