Kan gene ekspresyon verilerinden derin öğrenme ve XAI tabanlı yorumlanabilir özellik seçimi ile Alzheimer hastalığı tahmini

Bu araştırma neden önemli

Alzheimer hastalığı insanlardan yavaşça hafızalarını ve bağımsızlıklarını alır; buna karşın bugün en doğru testler genellikle beyin görüntülemeleri veya omurilik sıvısı alma gibi pahalı, invaziv ve tekrarlanması zor işlemler gerektirir. Bu çalışma daha az rahatsız edici bir alternatifi araştırıyor: basit bir kan alma ve gelişmiş bilgisayar analizleriyle gen etkinliğindeki desenleri tespit ederek Alzheimer sinyallerini yakalamak ve böylece daha erken ve daha erişilebilir tanıya zemin hazırlamak.

Beyin görüntülemesi yerine bir kan testi

Yazarlar kan hücrelerindeki genlerin açılıp kapanmasındaki küçük değişikliklere odaklanıyor. Modern laboratuvar çipleri aynı anda binlerce genin aktivitesini ölçebiliyor ve her kişi için devasa bir sayı tablosu üretiyor. Zorluk, gen ölçümlerinin hasta sayısından çok daha fazla olması ve bunun bilgisayar modellerini kolayca yanıltabilmesi. Bunu aşmak için araştırmacılar Alzheimer’lı ve sağlıklı gönüllülerin kan örneklerini içeren üç büyük halka açık veri setini birleştirerek yüzlerce kişide ortak olarak ölçülmüş on iki binden fazla gene sahip entegre bir kaynak oluşturdu.

Bilgisayarlara ana uyarı işaretlerini seçmeyi öğretmek

Algoritmadan doğrudan tüm on iki bin geni işlemesini istemek yerine ekip önce özellikle bilgilendirici olan çok daha küçük bir seti seçmeyi öğretti. Bunu yapmanın birkaç yolunu karşılaştırdılar; basit istatistiksel testler, daha az yararlı genleri adım adım çıkaran yöntemler ve seçimi doğrudan modele dahil eden yaklaşımlar bunlar arasındaydı. Bu “özellik seçimi” araçları listeyi hastaları sağlıklı kontrollerden en iyi ayıran yüzlerce ya da bin civarına indirdi. Azaltılmış gen setleri modellerin gürültüyü ezberlemesini engellemeye yardımcı oldu ve görülmemiş verilerde performansı artırdı.

Bir kara kutuyu anlamlandırmak

Kara kutu tahminine körü körüne güvenmemek için araştırmacılar hangi genlerin en çok önemli olduğunu ve her kararı nasıl etkilediklerini anlamak amacıyla açıklanabilir yapay zeka teknikleri kullandılar. Oyun kuramından ödünç alınan SHAP adlı bir yöntem, her gene her birey için nihai sonuca katkısını puanlıyor. Bunu en iyi performans gösteren modellerine uygulayarak yazarlar, Alzheimer veya sağlıklı sınıflandırmaya sürekli olarak ağırlık veren çekirdek bir gen grubunu vurguladılar. Bu genlerin birçoğu zaten beyin sağlığı veya bağışıklık fonksiyonuyla ilişkilendirilmiş olduğundan modelin iç işleyişine biyolojik bir güvenilirlik katıyor.

Sentezlenmiş hastalarla gücü artırmak

Veri setlerini birleştirdikten sonra bile gerçek kan örneklerinin sayısı ılımlı kaldı. Modellerini güçlendirmek için yazarlar, gerçek hastalarınkine benzeyen gerçekçi sentetik gen profilleri oluşturmak üzere üretebilen bir tür sinir ağı olan üretici düşman ağını (GAN) eğitti. Bu yapay örnekler yalnızca eğitim verilerine eklendi, hiçbir zaman test verilerine dahil edilmedi; böylece performans kontrolleri dürüst kaldı. Bu arttırılmış eğitim havuzu ve özenle seçilmiş genlerle bir derin sinir ağı, yaklaşık %91 genel doğruluk ve %95 özgüllük (doğru negatif oranı/sağlıklı kişilerin yanlışlıkla hasta olarak işaretlenmesinin çok az olması) ile Alzheimer vakalarını tanımlayabildi.

Bulguların hastalar için anlamı

Bu çalışma, hem anahtar gen sinyallerini seçen hem de açıklayan akıllı algoritmalarla desteklenen gelecekteki bir kan bazlı Alzheimer testinin maliyetli görüntülemelere ve invaziv işlemlere olan bağımlılığı tamamlayabileceğini veya azaltabileceğini öne sürüyor. Bağımsız hasta grupları üzerinde daha fazla doğrulama gerektiği ve laboratuvar yöntemleri arasındaki farkların daha iyi kontrol edilmesi gerektiği halde, çalışma birden fazla veri setini birleştirmenin, faydasız bilgiyi kırpmanın ve yapay zekanın “kara kutusunu” açmanın daha erken ve daha konforlu Alzheimer tespiti için pratik, yorumlanabilir bir kan testine bizi yaklaştırabileceğini gösteriyor.

Atıf: Hariharan, J., Jothi, R. Alzheimer’s disease prediction using deep learning and XAI based interpretable feature selection from blood gene expression data. Sci Rep 16, 8022 (2026). https://doi.org/10.1038/s41598-026-35260-8

Anahtar kelimeler: Alzheimer teşhisi, kan biyobelirteçleri, gen ekspresyonu, derin öğrenme, açıklanabilir yapay zeka