Kardeş kromatid kohezyon kusurları olan kromozomların nesne algılama modelleriyle tespiti ve sınıflandırılması

DNA’daki küçük bükümlerin neden önemi var

Her hücre bölünmesinde genetik materyalin tam bir kopyasını aktarması gerekir. Bu kopyaların doğru ana kadar birlikte kalmasını sağlamak için hücreler eşleşmiş kromozomları yan yana tutan moleküler bir “yapıştırıcı”ya güvenir. Bu yapıştırıcı bozulduğunda kromozomlar erken ayrılabilir; bu da genom kırılmalarına, gelişim bozukluklarına ve kanserlere yol açabilir. Burada tanımlanan çalışma çok pratik bir soruna eğiliyor: bu ince yapıştırıcı arızalarını mikroskop görüntülerinde, yorgun insan gözleri yerine modern yapay zeka kullanarak otomatik şekilde nasıl tespit edebiliriz?

Kromozomlar nasıl bir arada tutulur

Bir hücre bölünmeden önce her kromozom kopyalanır, böylece iki özdeş iplikçiğe—kardeş kromatitlere—sahip olunur. Cohesin adlı bir protein makinesi bu kardeşlerin hücre onları ayırmaya hazır olana kadar eşleşmiş kalmasına yardım eder. Eğer cohesin veya yardımcı proteinleri düzgün çalışmazsa kardeşler çok erken ayrılabilir. Yardımcı proteinlerden biri olan DDX11, DNA’yı açan bir enzimdir ve kusurları nadir bir insan hastalığı olan Warsaw Breakage sendromuyla ilişkilendirilmiştir. Mikroskop altında kohezyon sorunları olan hücreler genellikle iki iplikçinin ortada tuhaf biçimde açık veya ayrılmış göründüğü kromozomlar gösterir, ancak normal ile anormal şekilleri ayırt etmek sabır ve değerlendirme gerektirir.

Manuel kontroller neden yeterli değil

Geleneksel olarak araştırmacılar kromozomları lam üzerinde yayar, boyar ve ardından her örnek için en az 50–100 kromozomu elle sınıflandırır. Her kromozom şekline ve kardeş iplikçiklerin ne kadar ayrık göründüğüne göre değerlendirilir. Bu iş yavaştır, öznel olabilir ve kolayca yorulmaya açıktır; bu da hatalar ve araştırmacılar arasında tutarsız sonuçlar riskini artırır. Aynı araştırma grubunun önceki çalışmaları bireysel kromozom görüntülerini sınıflandırmak için derin öğrenme kullanmıştı, ancak bu sistemler kalabalık mikroskopik resimlerden tek tek kromozomları kesmek ve kafa karıştıran örtüşmeleri atmak için ayrı yazılım adımları gerektiriyordu. Bu ekstra görüntü işleme hâlâ büyük ölçüde insan ayarı ve temizlemesine dayanıyordu ve gerçek anlamda “butona bas, bitir” otomasyonunu engelliyordu.

Bilgisayarın kendi başına kromozomları bulmasına izin vermek

Yeni çalışmada ekip, tek bir görüntü içinde birçok nesneyi hem bulup hem de kategorize edebilen bilgisayarlı görmenin bir dalı olan nesne algılamaya yöneldi. Hızlı ve yaygın kullanılan YOLO (You Only Look Once) aile modeli ile birkaç rakip yöntem üzerinde odaklandılar. Önce DDX11 eksikliği olan ve bu nedenle güçlü kohezyon sorunları gösteren insan hücrelerini genetik olarak oluşturarak bir test sistemi kurdular, ardından bunların ve normal hücrelerin kromozomlarının mikroskop görüntülerini hazırladılar. Bu görüntülerde görünen her kromozom bir kutu ile çevrilip üç şekil türünden birine etiketlendi: sıkı eşleşmiş, kolları boyunca kısmen ayrılmış veya ortada belirgin şekilde ayrılmış. Bu elle yapılmış etiketler algoritmalar için öğretim materyali olarak kullanıldı.

Yapay zekaya ince şekil farklarını öğretmek

Araştırmacılar, önceden eğitilmiş birkaç nesne algılama modelini binin biraz üzerinde etiketlenmiş kromozom ile ince ayar yaptılar ve performansı kontrol etmek için diğer görüntüleri ayırdılar. Her modelin önce kromozomları bulma, sonra da üç şekil kategorisinden doğru olana atama yeteneğini karşılaştırdılar. Test edilen sistemler arasında YOLOv8 adlı bir sürüm en iyi performansı gösterdi. Kategoriler arasındaki farklar çoğunlukla oldukça ince olmasına rağmen, yaklaşık on kromozomdan dokuzunda insan etiketleriyle doğru eşleşti. Önemli olarak, normal ve DDX11 eksik hücrelerin görüntülerine uygulandığında YOLOv8, insan uzmanların gördüğü temel biyolojik deseni yeniden üretti: kusurlu hücrelerde sıkı eşleşmiş kromozomlar çok daha az, ortada belirgin şekilde ayrılmış kardeş iplikçiklere sahip olanlar ise çok daha fazlaydı.

Bu buluş gelecekteki laboratuvar çalışmalarına ne anlama geliyor

Çalışma, bir yapay zeka modelinin tüm kromozom yayılımlarını tarayıp ekstra kırpma adımları veya elle temizleme gerektirmeden kohezyon kusurlarını otomatik olarak işaretleyebileceğini gösteriyor. Örtüşmüş kromozomlar ve sınıra yakın şekiller için performansı özellikle iyileştirmek adına hâlâ geliştirme alanı olsa da, yaklaşım halihazırda daha fazla insan müdahalesi gerektiren önceki yöntemlerle yarışıyor. Modeller mevcut açık kaynak araçları uyarlayarak inşa edildiği ve mütevazı görüntü setleriyle yeniden eğitilebildiği için derin hesaplama uzmanlığı olmayan laboratuvarlar da kendi uyarlanmış sistemlerini geliştirebilir. Uzun vadede benzer stratejiler ilaç taramalarını hızlandırabilir, birçok genetik mutantı karşılaştırmaya yardımcı olabilir ve kohezyonun ötesinde insan sağlığı için önemli olan diğer hassas kromozom değişikliklerini de kapsayabilir.

Atıf: Matsumoto, S., Sojo, M., Oshima, K. et al. Detection and classification of chromosomes with sister chromatid cohesion defects using object detection models. Sci Rep 16, 13719 (2026). https://doi.org/10.1038/s41598-026-43009-6

Anahtar kelimeler: kromozom görüntüleme, makine öğrenimi, nesne algılama, kohezyon kusurları, YOLOv8