Bir hücrenin yaşamını sürdürebilmesi, doğrudan “esansiyel” (hayati) genlere bağlıdır. Bu genlerin işleyişini çözmek, yaşamın kökenini anlamamıza yardımcı olmakla kalmayıp günümüzdeki kanser araştırmalarına ve yeni nesil ilaç tasarımlarına da doğrudan yön vermektedir. Bu genlerin deneysel olarak belirlenmesi, yüksek verimli genomik tarama yöntemlerine rağmen hâlâ zaman alıcı, maliyetli ve teknik açıdan zorlu bir süreçtir. Bu sebeple bilim dünyası uzun zamandır bu yükü hafifletmek adına yapay zekadan destek almaktadır. Mevcut hesaplamalı yöntemler, insan genomunun devasa ve karmaşık yapısı karşısında çoğu zaman yetersiz kalmakta ve verdikleri kararların arkasındaki biyolojik mantığı açıklayamamaktadırlar. Bu sorunu çözmek adına araştırmacılar, EssTFNet adında yepyeni bir derin öğrenme çerçevesi geliştirmiştir.
Günümüzde kullanılan mevcut hesaplamalı yöntemler; insan genomunun uzun ve karmaşık dizilimlerini modellemede zorlanmakta, genlerin hayati önemini yalnızca esansiyel ve esansiyel değil şeklinde basit bir açıdan sınıflandırmakta ve kararlarının ardındaki biyolojik mekanizmayı açıklayamamaktadır. Dong-Xi Ye ve çalışma arkadaşları bu çalışmada, insan esansiyel genlerini ve bu genlerin hücresel uygunluk skorlarını tahmin etmek için EssTFNet adında yeni ve yorumlanabilir bir derin öğrenme çerçevesinin etkinliğini test etmeyi hedeflemektedir.
Bu çalışmada araştırmacılar, insan esansiyel genlerini tespit edebilmek amacı ile 1090’a kadar varan farklı kanser hücre hattı ve bağımsız test setlerinden elde edilen on binlerce DNA ve protein dizisini analiz eden hesaplamalı bir derin öğrenme yaklaşımını izlemiştir. Bir genin esansiyel olup olmadığı, çoğunluk kuralına göre belirlenmiş ve bir gen birçok hücre hattında esansiyel olarak tanımlanıyorsa “çekirdek esansiyel gen” olarak etiketlenmiştir. Modelin ezber yapmadığından emin olmak için de “DepMap-IT” adında bağımsız bir test seti daha oluşturulmuştur. Modelin en yenilikçi yanı ise DNA’ya üç farklı açıdan bakabilen bir modüler yapıya sahip olmasıdır. Bu üç kol şu şekilde çalışmaktadır; (i) Zaman ve frekans analizi (ATFNet) ile model, DNA dizilimlerini ses dalgası veya zaman serisi sinyali gibi okumaktadır. Fourier dönüşümü kullanılarak dizilimlerdeki hem yerel bağımlılıkları hem de tekrarlayan ritmik şablonları analiz etmektedir. (ii) DNA dil modeli sayesinde tıpkı diğer yapay zeka modellerinin insan dilini anlaması gibi, DNA dilini anlayan devasa modeller test edilmiştir ve aralarında en iyi sonucu veren “Evo2” adlı model kullanılmıştır. (iii) DNA’nın baz bileşimi ile DNA şekil (DNA shape) özelliklerini yansıtan öznitelikler sisteme eklenmektedir. Bu özellikler elemeden geçirilerek en verimli olanları seçilmiş ve sistemin yavaşlaması önlenmiştir. Bu üç koldan gelen veriler birleştirilerek genin esansiyel olup olmadığı ve ne derece esansiyel olduğu sonucuna varılmaktadır. Kara kutu sebebi ile sonucu açıklamada yetersiz kalan modellerdeki bu sorunu çözmek adına da DeepLIFT algoritması ve t-SNE (yüksek boyutlu verileri iki boyutta görselleştiren bir boyut indirgeme yaklaşımı) kullanılmıştır. DeepLIFT, modelin kararlarını geriye doğru takip ederek DNA üzerindeki hangi spesifik bölgelerin bu karara yol açtığını hesaplamaktadır. Elde edilen bu sonuçlar düşük geçiren filtreler (low-pass filter) yardımı ile yüksek frekanslı biyolojik gürültüler yok edilmekte ve daha anlamlı, daha uzun DNA şablonları tespit edilmektedir. t-SNE sayesinde ise, modelin hayati olan ve olmayan genleri zihninde nasıl gruplandırdığını 2D haritalar üzerinden görselleştirerek sistemin doğru çalışıp çalışmadığı göstermektedir.
Araştırma sonuçları, geliştirilen EssTFNet modelinin insan esansiyel genlerini ve bu genlerin hücresel uygunluk skorlarını mevcut yöntemlere kıyasla daha yüksek doğrulukla tahmin edebildiğini göstermektedir. Modelin kendi kararlarını açıklarken DNA üzerinde tespit ettiği kritik bölgelerin, hücre sağkalımı ve stres yanıtı gibi hayati hücresel süreçleri yöneten temel transkripsiyon faktörleriyle (örn. EPAS1, SMAD2) uyumlu olduğu görülmüştür. Araştırmacılar, gelecekte modele üç boyutlu protein yapıları ve daha kapsamlı çoklu omik verilerin entegre edilmesinin performansı daha da geliştirebileceğini öngörmektedir. Bu yaklaşımın fonksiyonel genomik ve kişiselleştirilmiş tıp araştırmalarında kullanılabilecek umut verici bir hesaplamalı çerçeve sunduğu değerlendirilmektedir.
Yazar: Emir Eroğul
Editör: Damla Özdemir
Referans:
Ye, D. X., Yuan, S. S., Su, W., Zhang, H. Q., Li, R., Qi, Y. C., et al. (2026). EssTFNet: Integration of adaptive time–frequency and DNA language models for interpretable human essential gene prediction. Briefings in Bioinformatics, 27(4), bbag349. https://doi.org/10.1093/bib/bbag349
-Bioinforange Bilimsel Haber Servisi-
Haber Yazıları, 20> Etki Faktörlü Q1 dergilerinde yayınlanan (listesi için tıklayınız)
bilimsel araştırmaların ekip arkadaşlarımız tarafından incelenip derlenmesi ile hazırlanmaktadır.
