Kümelenmiş düzenli aralıklı kısa palindromik tekrarlar (CRISPR; bakteriyel bağışıklık sisteminden uyarlanan genetik düzenleme aracı) ve ilişkili Cas sistemlerinin keşfi, genom mühendisliği alanında kapsamlı bir dönüşüm başlatmıştır. İlk nesil CRISPR-Cas nükleazları (DNA kesen enzimler), hedef bölgelerde DNA çift zincir kırıkları (DSB; DNA’nın her iki ipliğinin aynı anda kopması) oluşturarak genleri etkisiz hale getirmek amacıyla kullanılmış; ancak bu kırıkların büyük DNA silinmeleri, kromozom kayıpları ve p53 aktivasyonu gibi istenmeyen sonuçlara yol açabildiği gösterilmiştir. Bu sınırlamaların aşılması amacıyla geliştirilen baz düzenleme (DNA çift zincirini kesmeden tekil nükleotidlerin kimyasal olarak dönüştürülmesi), prime editing (PE; ters transkriptaz enzimi aracılığıyla DNA’da hedeflenen ekleme, silme ve baz değişikliklerinin yapılmasını sağlayan yöntem ) ve büyük DNA entegrasyon sistemleri, genom düzenleme yöntemlerinin kapsamını DNA kesimine dayalı uygulamaların ötesine taşımıştır. Araçların çeşitlenmesiyle birlikte rehber RNA (gRNA; Cas enzimini hedef DNA bölgesine yönlendiren RNA molekülü) seçimi, hedef dışı (off-target; hedeflenen bölge dışındaki DNA dizilerinde gerçekleşen istenmeyen değişimler) etkilerin değerlendirilmesi ve DNA onarım sonuçlarının tahmini gibi deneysel tasarım süreçleri karmaşıklaşmış; bu durum ileri hesaplamalı yaklaşımlara duyulan ihtiyacı artırmıştır. Molecular Cell dergisinde yayımlanan bu derleme çalışmasında, ilk yazarlar Soochul Shin ve Heesoo Uhm ile Sangsu Bae’nin de aralarında bulunduğu araştırma ekibi tarafından, yapay zekâ teknolojilerinin genom düzenleme alanındaki aralarında bulunduğu Çalışmada, başlangıçta rehber RNA etkinliğini, hedef dışı etkileri ve düzenleme sonuçlarını tahmin etmeye odaklanan erken dönem makine öğrenimi (ML; verilerden örüntüler öğrenerek tahmin yapan yöntemler) ve derin öğrenme (DL; çok katmanlı yapay sinir ağlarına dayalı öğrenme yöntemleri) yaklaşımlarından, yeni moleküler bileşenlerin doğrudan tasarlanmasına uzanan gelişmeler ele alınmıştır. Geleneksel protein mühendisliğinde kullanılan rastgele mutagenez (genetik dizilerde rastgele mutasyonlar oluşturma), rasyonel tasarım ve geniş ölçekli deneysel tarama yaklaşımlarının erişebildiği protein dizisi uzayının sınırlı olması, protein dil modelleri (PLM; protein dizilerindeki örüntüleri öğrenen modeller), üretken yapay zekâ (generative AI; öğrenilen örüntülerden yararlanarak yeni moleküler adaylar üreten modeller) ve temel modeller (foundation models; büyük ölçekli veriler üzerinde eğitilen modeller) gibi yaklaşımların geliştirilmesini teşvik etmiştir. Bu doğrultuda, yapay zekânın yardımcı bir tahmin aracından protein varyantlarını optimize edebilen, yeni moleküler mimariler tasarlayabilen ve de novo (yeni baştan tasarlanan) genom düzenleme proteinleri üretebilen bir yaklaşıma doğru gelişimi, mevcut literatür ışığında değerlendirilmiştir.
Derlemede ele alınan hesaplamalı yaklaşımlar; tahmin modeller, evrimsel ölçekli protein dil modelleri, yapı tabanlı difüzyon modelleri ve genomik temel modeller olmak üzere farklı başlıklar altında incelenmiştir. İlk aşamada, deneysel veri setleri üzerinde eğitilen makine öğrenimi ve derin öğrenme modellerinin rehber RNA etkinliğini, hedef dışı etkileri ve DNA onarım sonuçlarını tahmin etmedeki kullanımları değerlendirilmiştir. Bu kapsamda Cas9, Cas12a ve RNA hedefli Cas13 nükleazlarının yanı sıra, RNA’yı hedefleyen Cas13 sistemlerine yönelik tahmin modelleri de ele alınmıştır. Sitozin ve adenin baz düzenleyicilerde (CBE ve ABE) düzenleme sonuçlarını ve düzenleme penceresi içindeki komşu bazların istenmeyen değişimini (bystander editing) tahmin eden algoritmalar ile prime editing sistemlerinde primer bağlanma bölgesi (PBS) ve ters transkriptaz şablonu (RTT) gibi pegRNA bileşenlerinin tasarımını değerlendiren modeller incelenmiştir.
İkinci aşamada, ESM2 protein dil modelinden elde edilen sayısal l temsilleri (gömme/embedding) rastgele orman regresyonuyla birleştiren ve yeni deneysel verilerle yinelemeli olarak güncellenen EVOLVEpro yaklaşımı ile mutasyonlar arasındaki işlevsel etkileşimleri (epistaz) modelleyen MULTI-evolve çerçevesi incelenmiştir.
Üçüncü aşamada, üç boyutlu protein omurgaları tasarlayan RFdiffusion, bu omurgalara uyumlu amino asit dizilerini belirleyen ters katlama modeli ProteinMPNN ve yapısal doğrulama ile rekabet analizlerini gerçekleştiren AlphaFold 2 ve AlphaFold 3 modellerinin entegrasyonuna dayanan yapısal tasarım yaklaşımları değerlendirilmiştir.
Son aşamada , protein dizisi üretiminde kullanılan ProGen2 ile genomik temel modeller Evo, Evo 2 ve EDEN gibi yaklaşımlar ele alınmıştır. ProGen2, geniş protein dizisi veri kümeleri üzerinde eğitilmiş ve CRISPR-Cas dizileriyle uyarlanarak OpenCRISPR-1’in geliştirilmesinde kullanılmıştır. Evo ve Evo 2, genomik dizilerin modellenmesi ve üretilmesine yönelik temel modellerdir. Makalede Evo 2’nin yaklaşık 9 trilyon DNA baz çifti üzerinde eğitildiği ve 1 milyon tokenlık bağlam penceresine sahip olduğu belirtilmektedir. EDEN ise hedef DNA dizilerinden yararlanarak yeni rekombinazların tasarlanmasına yönelik bir yaklaşım olarak ele alınmıştır. Bu yaklaşımların ayırt edici yönlerinden biri, yalnızca mevcut proteinlere benzer dizileri belirlemekle sınırlı kalmayıp yeni moleküler adayların tasarlanmasına ve üretilmesine olanak sağlamalarıdır. Derlemede ortaya konulan bulgular, yapay zekânın genom düzenleme alanındaki işlevinin salt veri tahmininden çok aşamalı moleküler mühendisliğe doğru evrildiğini göstermektedir. Rule Set serisi, DeepCRISPR, inDelphi, BE-Hive ve PRIDICT 2.0 gibi tahmin modelleri; rehber RNA etkinliği, hedef dışı etkiler, DNA onarım sonuçları, baz düzenleme sonuçları ve prime editing verimliliği gibi farklı problemlere yönelik geliştirilmiştir. Bazı modeller, kromatin özellikleri ve hücresel onarım bağlamı gibi ek değişkenleri de dikkate almaktadır. Protein dil modelleriyle yönlendirilen evrim yaklaşımlarının, deneysel olarak test edilecek protein varyantlarının önceliklendirilmesine ve genom düzenleme proteinlerinin işlevsel özelliklerinin optimize edilmesine katkı sağlayabildiği belirtilmiştir. Yapı tabanlı üretken modellerin, hücresel yanlış eşleşme onarımı (MMR; DNA’daki baz uyumsuzluklarını düzelten hücresel mekanizma) kompleksindeki MLH1-PMS2 yüzeyini hedefleyen kompakt bağlayıcı proteinler (MLH1-SB) tasarlayarak prime editing verimliliğini artırdığı ve mitokondriyal baz düzenleyicilerde (DdCBE-TOD) rijit yönlendirici bölgeler oluşturarak istenmeyen komşu baz değişimlerini kısıtladığı gösterilmiştir. Ayrıca, sekans tabanlı üretken modellerin ve genomik temel modellerin; doğal Cas9’lardan sekans düzeyinde farklılaşan OpenCRISPR-1 gibi de novo nükleazların, hiperaktif transpozonların (mega-active PiggyBac) ve büyük gen parçalarının entegrasyonunu sağlayan özgül serin rekombinazların (EDEN-LSR) tasarımına olanak tanıdığı bildirilmiştir. Buna karşın, mevcut yapay zekâ destekli genom mühendisliği iş akışlarının büyük ölçüde insan yönlendirmesine, önceden belirlenmiş tasarım hedeflerine, elle derlenmiş veri setlerine, hesaplamalı filtrelemeye ve kapsamlı deneysel doğrulamaya dayandığı vurgulanmıştır. Bulgular, gelecekte dizi, yapı, işlev ve hücresel bağlam bilgilerinin bütünleştirilmesi ve model güvenilirliğinin geliştirilmesiyle genom düzenleme sistemlerinin tasarım süreçlerinin iyileştirilebileceğine işaret etmektedir. Yazarlar ayrıca, yapay zekâ destekli genom düzenleme teknolojilerinin güvenli ve sorumlu biçimde geliştirilmesi için etik değerlendirmelerin ve uygun düzenleyici denetimin önemini vurgulamaktadır.
Yazar: Burak Can Gürel
Editör: Hazel Birgül
Referans: Shin, S., Uhm, H., Kim, Y.-W., Im, H. W., & Bae, S. (2026). Beyond prediction: The evolving role of artificial intelligence in genome editing. Molecular Cell, 86(20), 4118–4130. https://doi.org/10.1016/j.molcel.2026.08.025
-Bioinforange Bilimsel Haber Servisi-
Haber Yazıları, 20> Etki Faktörlü Q1 dergilerinde yayınlanan (listesi için tıklayınız)
bilimsel araştırmaların ekip arkadaşlarımız tarafından incelenip derlenmesi ile hazırlanmaktadır.
