Yapay zekâ temelli çokluomiks profillemesi, kardiyovasküler hastalığın kişiselleştirilmiş tahminine tamamlayıcı omik katkıları ortaya koyuyor

Neden kalp sorunlarını daha erken tahmin etmek önemli

Kalp hastalıkları ve felçler, dünyadaki en büyük ölüm nedenleri olmaya devam ediyor; sıklıkla görünürde sağlıklı kişilerde uyarı vermeden ortaya çıkıyorlar. Hekimler risk değerlendirmesi için yaş, kan basıncı, kolesterol ve sigara gibi kontrol listelerini zaten kullanıyor, ancak bu araçlar birçok gelecekteki hastayı atlayabilir veya bazı kişilerde tehlikeyi fazla tahmin edebilir. Bu çalışma zamana uygun bir soruyu gündeme getiriyor: eğer kanımızda dolaşan molekülleri daha derinlemesine inceler ve bunları yapay zekâ ile analiz edersek, kardiyovasküler hastalığı görünmeden yıllar önce tespit edebilir miyiz — ve önlemleri her bireye göre uyarlayabilir miyiz?

Gizli uyarı işaretleri için kanda içeri bakmak

Araştırmacılar, yüzbinlerce gönüllüyü yıllarca izleyen büyük bir sağlık projesi olan UK Biobank’tan yararlandı. Bu katılımcıların bir alt grubunda, bilim insanları kan örneklerinde binlerce molekülü titizlikle ölçmüştü: yağlar, şekerler ve amino asitlerle ilgili küçük metabolitler ile iltihap, pıhtılaşma ve diğer vücut süreçlerinde rol alan proteinler. Ekip, moleküler parmak izlerinin kimin hangi hastalığı geliştireceğini öngörebileceğini görmek için altı ana kardiyovasküler duruma — koroner arter hastalığı, felç, kalp yetmezliği, atriyal fibrilasyon, periferik arter hastalığı ve venöz kan pıhtıları — odaklandı.

Moleküler desenleri okumayı yapay zekâya öğretmek

Yaklaşık 3.000 protein ve 168 metaboliti anlamlandırmak için yazarlar iki derin öğrenme modeli geliştirdi: MetNet ve ProNet. Bu modeller tek tek hastalıkları tahmin etmek yerine altı kardiyovasküler sonuçla ilişkili desenleri aynı anda öğrendi. Metabolit verilerinden MetNet, MetScore adlı birleşik bir risk puanı üretti; protein verilerinden ProNet ise ProScore üretti. Böylece her birey, her kardiyovasküler hastalık türü için birer puan olmak üzere her sistemden altı puan aldı — milyonlarca olası moleküler etkileşimi, yaş, kan basıncı, ilaçlar ve genetik risk gibi standart bir istatistiksel modelün kullanabileceği birkaç sayıya özetleyen skorlar.

Bu moleküler risk puanları ne kadar daha iyi?

Ekip, tüm veri tiplerine sahip bağımsız 24.287 kişilik bir grupta skorları test ettiğinde hem MetScore hem de ProScore tek başlarına güçlü öngörücülerdi ve 15 yıllık takip süresince katılımcıları düşük, orta ve yüksek risk gruplarına net şekilde ayırdı. Protein bazlı puanlar en iyi performansı gösterdi ve sıklıkla geleneksel poligenik (DNA bazlı) risk ölçütlerini geniş bir farkla geride bıraktı. ProScore ve MetScore’un konvansiyonel klinik faktörlere eklenmesi, temel modeller zaten ayrıntılı olsa bile incelenen her kardiyovasküler sonuç için risk tahmin doğruluğunu artırdı. Özellikle periferik arter hastalığı ve atriyal fibrilasyon için performanstaki artış kayda değerdi ve karar-eğrisi analizleri doktorların kimlere koruyucu tedavi verilmesi gerektiği konusunda daha faydalı seçimler yapabileceğini gösterdi.

Moleküller hastalık biyolojisi hakkında ne anlatıyor

Tahminin ötesinde, araştırmacılar SHAP adı verilen bir açıklama yöntemi kullanarak yapay zekâ modellerinde hangi spesifik moleküllerin en etkili olduğunu sorguladı. Böbrek ve genel sağlık durumunu yansıtan kreatinin ve albümin gibi tanıdık belirteçlerin yanı sıra GlycA gibi inflamasyon sinyalleri ve NT-proBNP gibi kalp stres proteinlerinin önemini doğruladılar. Aynı zamanda modeller, inflamasyon, pıhtılaşma, damar yeniden şekillenmesi ve hatta sinir hasarı ile ilişkili daha az bilinen proteinleri ve metabolitleri vurguladı; bu etkenler kısmen paylaşılan, kısmen hastalığa özgü desenler gösteriyordu. İlginç biçimde, tek bir molekül birleşik MetScore veya ProScore’un tahmin gücüne erişemedi; bu da kardiyovasküler riskin tek bir suçludan ziyade bir arada etki eden birçok ince değişiklikten kaynaklandığını vurguluyor.

Büyük veriden daha kişisel kalp bakımına

Çalışma, genetiği, ayrıntılı moleküler kan profillerini ve rutin klinik bilgileri birleştirmenin, kimlerin büyük kardiyovasküler hastalıklar geliştirme olasılığının yüksek olduğunu anlamada genellikle on yıl veya daha fazla öncesinden görüşümüzü anlamlı şekilde keskinleştirebileceği sonucuna varıyor. Özellikle protein ölçümleri, semptomlar ortaya çıkmadan çok önce devam eden biyolojik stres hakkında zengin, uygulanabilir bilgiler taşıyor gibi görünüyor. Gerekli testler henüz yaygın veya ucuz olmasa da maliyetler düşüyor ve yazarlar CardiOmicScore yaklaşımlarını bir prototip araç olarak erişilebilir kıldı. Daha çeşitli popülasyonlarda ilave doğrulama ile bu yapay zekâ destekli çokluomiks profillemesi, hekimlerin tek tip kontrol listelerinden gerçekten kişiselleştirilmiş önlemeye geçmesine yardımcı olabilir — yüksek riskli bireyleri daha erken tespit etmek, tedavileri altta yatan biyolojiye göre eşleştirmek ve potansiyel olarak kalp ve damar hastalıklarının küresel yükünü azaltmak.

Atıf: Luo, Y., Zhang, N., Yang, J. et al. AI-based multiomics profiling reveals complementary omics contributions to personalized prediction of cardiovascular disease. Nat Commun 17, 2269 (2026). https://doi.org/10.1038/s41467-026-68956-6

Anahtar kelimeler: kardiyovasküler risk tahmini, proteomik, metabolomik, derin öğrenme, biyobelirteçler