Biyolojideki pek çok yapay zeka modeli, hücreleri durağan ve anlık görüntüler olarak değerlendiriyor. Ancak hücrelerin yaşlanma süreci yıllar, hatta on yıllar boyunca devam eden dinamik değişimlerle gerçekleşir. İşte tam bu noktada MaxToki devreye giriyor. California Üniversitesi ve çeşitli uluslararası araştırma merkezleri tarafından geliştirilen MaxToki, hücrelerin gelecekteki durumlarını önceden tahmin ederek yaşlanma süreçlerini anlamak için çığır açan bir adım atıyor.
MaxToki, insan hücrelerinden elde edilen RNA dizilimi verileri üzerine eğitilmiş özel bir yapay zeka modelidir. Bu model, hücre içindeki genlerin hangi sırada ve ne ölçüde aktif olduğunu analiz ederek sadece o anki durumu görmekle kalmıyor; hücrenin zaman içindeki evrimini de öngörebiliyor. Diğer temel modellerden farklı olarak, MaxToki hücrelerin gelecekte hangi özellikler kazanacağını tahmin ediyor ve bu özelliklerin yaşlanma veya hastalık süreçleriyle ilişkisini ortaya koyuyor.
Modelin eğitimi iki aşamada gerçekleşti. İlk aşamada, yaklaşık 175 milyon hücreden toplanan gen ifadesi verileri kullanıldı. Bu aşamada kanserli veya genetik mutasyonlara sahip hücreler dışlandı, böylece model normal yaşlanma sürecine odaklanabildi. İkinci aşamada ise özellikle yaşlanmaya odaklanıldı; 90 yaşın üstüne kadar farklı yaş gruplarından yaklaşık 22 milyon hücre verisiyle modelin zaman akışını anlaması geliştirildi. Bu kapsamlı eğitim, MaxToki’nin tek bir hücrenin durumundan çoklu hücrelerin zaman içindeki değişimini kavramasını sağladı.
MaxToki’nin temel farkı, sıralı gen ifadesi verileri üzerinde çalışmasıdır. Genlerin göreceli aktivite sırasını göz önünde bulundurarak, yaygın ve işlevsel önemi daha düşük genlerin etkisini azaltıyor, bunun yerine hücre durumunu belirleyen önemli genlere odaklanıyor. Bu sayede model, hem farklı hücre tiplerini daha doğru analiz ediyor hem de deneysel tekniklerden kaynaklanan hata ve tutarsızlıklara karşı dayanıklı hale geliyor. Ayrıca model, zaman içindeki gen değişikliklerini yansıtmak için özel bir yöntem kullanarak hücrelerin yaşlanma süresini aylar bazında bile tahmin edebiliyor.
Modelin en şaşırtıcı başarılarından biri, hastalık durumlarını hiç görmeden bu hücrelerde yaşlanma hızının nasıl değiştiğini öngörebilmesi oldu. Örneğin sigara maruziyetinden etkilenen akciğer hücrelerinde model yaklaşık 5 yıllık bir yaşlanma hızlanması rapor etti. Pulmoner fibrozis hastalarında yaşlanma hızındaki artış 15 yıla kadar çıktı. Alzheimer hastalarından alınan beyin hücrelerinde ise model, bu hastalıkla ilişkili yaşlanma hızını başarıyla ölçtü ve Alzheimer hastalığına dirençli bireylerde yaşlanma hızının artmadığını ortaya koydu. Bu bulgu, hastalığın ilerlemesini anlamak ve erken müdahale stratejileri geliştirmek için önemli bir adım olarak değerlendiriliyor.
MaxToki’nin getirdiği yenilik sadece biyolojik zaman çizelgelerini yorumlamakla kalmıyor, aynı zamanda yaşlanmaya bağlı hastalıkların öncesini tahmin etme ve potansiyel tedavi hedeflerini belirleme konusunda da büyük umut vadediyor. Örneğin, modelin tespit ettiği belirli genetik düzenlemeler kalp hücrelerinde yaşlanma hızını etkileyebiliyor ve bu sonuçlar laboratuvar ortamında hayvan deneyleriyle doğrulanabiliyor. Böylece MaxToki, bilgisayar ortamında yapılan tahminlerin canlı organizmalarda gerçek sonuçlara dönüşmesini sağlıyor.
İleriye dönük olarak, MaxToki ve benzeri modeller biyomedikal araştırmalarda yeni standartlar belirleyebilir. Tek hücre verilerinin zaman serisi analiziyle, yaşlanma ve çeşitli kronik hastalıkların başlangıç noktaları daha net tespit edilebilir. Bu da, erken teşhis ve kişiye özel tedavi geliştirme süreçlerinde devrim yaratabilir. Ayrıca model ve eğitim kodlarının açık kaynak olarak sunulması, farklı laboratuvarların ve klinik araştırmacıların bu teknolojiyi kendi çalışmalarına adapte etmesine olanak tanıyor.
Sonuç olarak, MaxToki sadece hücrelerin bugünkü durumunu görmekle kalmayıp, onları gelecekte nasıl değişeceğini öngören güçlü bir yapay zeka aracı olarak biyoloji ve tıp alanında çığır açıyor. Hücresel yaşlanmanın gizemlerini çözmek ve yaşlanmaya bağlı hastalıkları önceden tanımlamak için geliştirilen bu model, bilim insanlarına ve hekimlere yepyeni ufuklar sunuyor. Önümüzdeki yıllarda böyle zaman odaklı yapay zeka modellerinin, hem araştırma hem de klinik uygulamalarda önemli rol oynayacağı öngörülüyor.
📎 Kaynak: marktechpost.com
