İşaret yollarının Petri ağı modellemesiyle yüksek doğrulukta Alzheimer hastalığı tanısı

Erken beyin hastalığı tespitinin hepimiz için önemi

Alzheimer hastalığı, çoğunlukla belirgin semptomlar ortaya çıkmadan uzun süre önce hafıza ve bağımsızlığı yavaşça aşındırır. Bugünün tanı araçları, beyin görüntülemeleri ve bilişsel testler gibi, pahalı olabilir, erişimi zor olabilir ve en erken evrelerde çok hassas olmayabilir. Bu çalışma, kan veya beyin örnekleri kullanarak vücudun moleküler “devrelerini” okumaya ve Petri ağı olarak adlandırılan matematiksel bir çerçeve uygulamaya yönelik yeni bir yöntem sunuyor. Amaç basit ama derin: bir kişinin gen aktivite deseninin sağlıklı bir kişiye mi yoksa Alzheimer’li bir kişiye mi daha çok benzediğini çok yüksek doğrulukla söylemek — ideal olarak hastalığın seyrini değiştirebilecek kadar erken.

Hastalığı vücudun işaret “devrelerinde” okumak

Araştırmacılar her geni izole bir belirteç olarak ele almak yerine, genlerin Alzheimer ile ilişkili bilinen biyolojik işaret yolları boyunca birbirleriyle nasıl iletişim kurduklarına odaklanıyor. İşe, genleri ve aralarındaki aktive edici veya engelleyici ilişkileri listeleyen KEGG veritabanından derlenmiş bir yol haritasıyla başlıyorlar. Bu yol, genleri daireler, etkileşimleri dikdörtgenler ve ağ boyunca hareket eden küçük tokenları (işaretleri) gösteren bir tür akış diyagramı olan Petri ağına dönüştürülüyor. Bir token yolun bir ucundan özel “hastalık” düğümlerine ulaştığında, bu beyin hücresi ölümüne ve demansa yol açabilecek bir dizi gen olayını temsil ediyor.

Bir kan örneğinden evet-hayır yanıtına

Methot, binlerce genin bir kişinin kanında veya beyin dokusunda ne kadar aktif olduğunu gösteren gen ekspresyon profilleriyle başlıyor. Önce, özel bir “küme kestiricisi” yeni bir örneği daha önce etiketlenmiş sağlıklı ve hasta örneklerle karşılaştırıyor; bu karşılaştırma, zaten bu gruplar arasında farklı olduğu bilinen genlere odaklanıyor. Her bir söz konusu gen için araç, hangi eğitim örneklerinin en benzer ekspresyon düzeylerine sahip olduğunu kontrol ediyor ve yeni örneğe muhtemelen sağlıklı mı yoksa hastalıklı mı olduğu konusunda bir tür komşuluk oylamasıyla ilk bir etiket veriyor. Bu adım, tipik sağlıklı desenleri temsil eden bir ve tipik Alzheimer desenlerini temsil eden bir çalışma grubu ya da küme olmak üzere iki küme oluşturuyor.

Her kişi için en belirleyici genleri bulmak

Ardından daha kişiselleştirilmiş bir adım geliyor. Verilen bir kişi için yöntem, gen gen karşılaştırarak ekspresyon düzeylerinin gerçekten nerede öne çıktığını inceliyor. Her bir gen için, o kişinin değeri hem sağlıklı kümede hem de hasta kümede görülen aralıklara karşı, gürültülü aykırı değerlerin etkisini azaltan sağlam istatistikler kullanılarak karşılaştırılıyor. Bir genin ekspresyonu belirgin şekilde “hastalık” aralığı içinde ve sağlıklı aralığın dışında ise, o gen o birey için özellikle bilgilendirici bir gen olarak DEG* işaretiyle belirleniyor. Bu DEG* genlerine Petri ağında başlangıç tokenları veriliyor; böylece işaret devresinde anormal aktivitenin nerede ilk ortaya çıktığı işaretlenmiş oluyor.

Ağın çalışmasına izin verip tanıya ulaşmak

Tokenlar yerleştirildikten sonra Petri ağı adım adım çalıştırılıyor. Her adımda, giriş genlerinin yeterli tokene sahip olduğu her etkileşim “ateşleniyor” ve aktivasyon ile inhibisyon kurallarına uyularak tokenlar sonraki genlere taşınıyor. Bu, daha fazla hareket mümkün olana dek sürüyor. Sonunda ağın son hastalık düğümüne —örneğin nöron ölümü veya nörodejenerasyon gibi süreçleri temsil eden— en az bir token ulaşmışsa örnek Alzheimer olarak sınıflandırılıyor; ulaşmamışsa sağlıklı olarak etiketleniyor. Her ateşleme adımı kaydedildiği için, araştırmacılar kişinin olağandışı gen aktivitesinden sağlıklı veya hastalıklı sonuca kadar net bir yol izleyebiliyor; opak bir istatistiksel puana dayanmak yerine izlenebilir bir anlatı sağlanıyor.

Bu yaklaşım pratikte ne kadar doğru?

Ekip, çerçevelerini kan ve beyin dokusundan elde edilmiş birkaç büyük, halka açık gen ekspresyon veri seti üzerinde test etti. İki yaygın kullanılan kan veri setinde yöntemleri, Alzheimer hastalarını sağlıklı bireylerden yaklaşık %98–99 oranında doğru ayırdı; bu, genellikle yalnızca %65–81 doğruluğa ulaşan önceki makine öğrenimi yaklaşımlarını çok geride bırakıyor. Ayrıca örnek sayısı az olduğunda bile ek beyin ve kan veri setlerinde güçlü performans gösterdiklerini ortaya koydular. Önemli olarak, birçok rakibin aksine yöntemleri gürültülü veya yorumlaması zor örnekleri elden çıkarmadı; bunun yerine iç tasarımını değişkenliği ele almak ve tüm verileri analizde tutmak üzere kullandı.

Gelecekte Alzheimer testleri için anlamı nedir?

Bir okuyucu için ana mesaj, çalışmanın karmaşık genetiği ve yol diyagramlarını, basit bir örnekten —potansiyel olarak sadece kan— Alzheimer’ın erken işaretlerini okuyabilecek açık, adım adım bir karar sürecine dönüştürmesidir. Anormal genlerin birlikte nasıl çalıştığını modelleyerek, yalnızca tek tek nasıl davrandıklarını değil, Petri ağı çerçevesi hem yüksek tanısal doğruluk hem de her bireyde hastalığın nasıl gelişebileceğine dair anlaşılabilir bir “öykü” sunuyor. Bu çalışma hâlâ araştırma aşamasında ve henüz klinik bir test değilse de, Alzheimer’ı daha erken tespit edebilecek, tedavi seçeneklerini yönlendirebilecek ve aynı temel fikirle diğer beyin hastalıkları ve kanserlere uyarlanabilecek gelecekteki araçlara işaret ediyor.

Atıf: Ebrahimian, H., Asadzadeh, F., Rahgozar, M. et al. Diagnosis of Alzheimer’s disease with high accuracy via Petri net modeling of signaling pathways. Sci Rep 16, 6457 (2026). https://doi.org/10.1038/s41598-026-36585-0

Anahtar kelimeler: Alzheimer tanısı, gen ekspresyonu, işaret yolları, Petri ağı modellemesi, kan biyobelirteçleri