Bilimsel ilerleme, karmaşık problemlere yönelik özgün hipotezlerin üretilmesi ve bunların titiz deneysel süreçlerle test edilmesi esasına dayanmaktadır. Günümüzde bilimsel literatürün ve özelleşmiş teknolojilerin ulaştığı devasa hacim, araştırmacıların kendi alanlarında derinleşirken farklı disiplinler arasında köprüler kurmasını giderek zorlaştırmaktadır. Bu yoğun bilgi birikimi, çoğu zaman araştırmacıların disiplinler arası sentez yapabilme kapasitesini fiziksel olarak sınırlamaktadır. Son dönemde ileri düzey akıl yürütme ve işbirlikçi analiz yetenekleri kazanan sınır yapay zeka sistemleri, bilim insanlarının farklı çalışma alanları arasında daha etkin bir şekilde gezinmesini sağlayarak bilimsel keşif süreçlerindeki bu kısıtlılıkların azaltılmasına katkı sağlama potansiyeli taşımaktadır.
Literatür taraması ve özetleme işlemleri için geliştirilen mevcut araçlar bilimsel verilerin derlenmesini kolaylaştırsa da, tamamen yeni bilgilerin keşfedilmesi ve uygulanabilir araştırma hipotezlerinin kurulması noktasında yetersiz kalmaktadır. Araştırmacılar bu yöntemsel eksikliğe yanıt olarak, yapılandırılmış bilimsel düşünme süreçlerini asiste edebilecek ve bilimsel yöntemin temel basamaklarını taklit edebilen, Google DeepMind tarafından Gemini tabanlı çoklu etmenli bir sistem olan Co-Scientist platformunu geliştirmiştir. Çalışmanın temel amacı, bu sistemin yalnızca veri sentezlemekle kalmayıp, verilen hedefler doğrultusunda deneysel doğrulamaya uygun özgün hipotezler formüle edip edemeyeceğinin incelenmesidir.
Platform, bilimsel süreci mantıksal alt görevlere bölen asenkron bir görev dağılımı mimarisi üzerinde inşa edilmiştir. Bir araştırmacı sisteme araştırma hedefini girdiğinde; üretim, yansıtma, sıralama ve evrim gibi kendi içinde özelleşmiş yapay zeka alt etmenleri devreye girmektedir. Sistem önce web üzerinden ilgili makaleleri toplayıp bir bilgi tabanı oluşturmakta, ardından simüle edilmiş bilimsel tartışmalar ve Elo tabanlı turnuvalar (hipotezlerin ikili eşleştirmelerle birbirine karşı tartışılarak sıralandığı rekabetçi değerlendirme mekanizması) ile üretilen fikirleri kendi içinde yarıştırmaktadır. Üst sıralara çıkan hipotezler evrim mekanizmasıyla sürekli rafine edilmekte, böylece test zamanı hesaplama ölçeklendirildikçe sistem kendi kendini geliştirerek çok daha isabetli araştırma taslakları sunmaktadır. Geliştirilen bu sistemin hipotez üretim yetkinliği, farklı karmaşıklık seviyelerindeki üç biyomedikal alanda in vitro deneylerle doğrulanmıştır. Akut miyeloid lösemi (AML; agresif bir kan kanseri türü) tedavisi için sistemin dışarıdan uzman yönlendirmesi olmaksızın önerdiği IRE1α inhibitörü(hücresel stres yanıt yollarını durduran molekül) KIRA6, laboratuvar testlerinde lösemi hücrelerinin canlılığını baskılamış; örneğin ilkel KG-1a hücre hattında düşük bir IC50 değerinde etkinlik gösterirken, kanserli olmayan normal hücrelerde bu değerin daha yüksek seviyede geniş bir seçici tedavi aralığı ortaya koymuştur. Sistem ayrıca tekli ajan keşiflerinin ötesine geçerek, uzmanlar için bile tespiti son derece karmaşık olan ve laboratuvarda uzun deneme-yanılma süreçleri gerektiren sinerjik çoklu ilaç kombinasyonlarını da öngörebildiğini göstermiştir. Sistem ayrıca karaciğer fibrozunda (doku hasarına bağlı aşırı bağ dokusu birikimi) fibrozis sürecini yavaşlatan, farklı bir hastalık endikasyonu için halihazırda FDA onaylı olan ve bu çalışmayla; ”ilaçların yeniden konumlandırılması” (drug repurposing) potansiyelini gösteren Vorinostat dahil üç yeni epigenetik değiştirici hedefini başarıyla öngörmüş; mikrobiyoloji alanında ise faj indüklenebilir kromozomal adaların yapısal etkileşimlerle kendi konakçı yelpazelerini genişlettiği hipotezini öne sürerek, o dönem laboratuvarda eş zamanlı olarak yürütülen bağımsız deneysel bulgularla uyumlu sonuçlar ortaya koymuştur.
Elde edilen deneysel doğrulama sonuçları, yapılandırılmış yapay zeka sistemlerinin bilimsel açıdan değerlendirilebilir ve deneysel olarak test edilebilir hipotezle üreterek tıbbi araştırmalara doğrudan katkı sağlayabileceğini göstermektedir. Sistemin ürettiği verilerin kalitesinin mevcut açık erişimli yayınların niteliğine bağımlı olması ve literatürdeki olası hataları devam ettirme riski gibi kısıtlamaları bulunsa da, araştırma bulguları insan-yapay zeka işbirliği açısından önemli bir temel sunmaktadır. Otonom yapay zeka asistanlarının ilerleyen süreçte laboratuvar otomasyon teknolojileriyle birleştirilmesi, deneysel kombinasyon taramalarındaki zaman ve veri analiz yükünü azaltarak biyomedikal bilimlerdeki yeniliklerin keşif sürecini hızlandırma potansiyeli taşımaktadır.
Yazar: Hümeyra ALAR
Editör: Damla ÖZDEMİR
Referans: Gottweis, J., Weng, W.-H., Daryin, A., Tu, T., Sirkovic, P., Myaskovsky, A., Glowaty, G., Weissenberger, F., Orlandi, A., Popovici, D., Palepu, A., Rong, K., Tanno, R., Saab, K., Zhang, F., Blum, J., Carroll, A., Kulkarni, K., Nenad Tomašev, … Natarajan, V. (2026). Accelerating scientific discovery with Co-Scientist. Nature. https://doi.org/10.1038/s41586-026-10644-y
-Bioinforange Bilimsel Haber Servisi-
Haber Yazıları, 20> Etki Faktörlü Q1 dergilerinde yayınlanan (listesi için tıklayınız)
bilimsel araştırmaların ekip arkadaşlarımız tarafından incelenip derlenmesi ile hazırlanmaktadır.
