Biyomedikal temel modeller tarafından yönlendirilen çoklu-omik özellik mühendisliği, inflamatuar bağırsak hastalığı hastaları için ilaç yanıtı tahminini iyileştiriyor

Bu araştırma hastalar için neden önemli

İnflamatuar bağırsak hastalığı (İBH) olan kişiler yeni ilaçlara başlarken sık sık deneme-yanılma süreciyle karşılaşır. Aynı ilaç bir kişide ağır bağırsak iltihabını yatıştırırken başka birinde neredeyse hiç etki göstermeyebilir. Bu çalışma, büyük ölçekli biyolojiyi anlamak üzere geliştirilen güçlü yeni yapay zeka (YZ) modellerinin, küçük hasta veri kümelerinden çok daha fazla içgörü çıkarmak için nasıl yeniden kullanılabileceğini araştırıyor. Amaç basit ama iddialı: her bireyin genetik ve moleküler profiline dayanarak, yaygın bir İBH ilacına nasıl yanıt vereceklerini önceden tahmin etmek.

Küçük çalışmalar için büyük YZ kullanmak

Geleneksel tıbbi YZ araçları, her hasta derinlemesine ölçülse bile hasta sayısı az olduğunda zorlanır. Bu çalışmada araştırmacılar bu sorunu tersine çevirerek, başlangıçta geniş protein ve ilaç verileri üzerinde eğitilmiş MAMMAL adlı devasa bir “temel model”den bilgi ödünç alıyor. Bu modeli yeniden eğitmek yerine, binlerce insan proteinine belirli bir ilacın ne kadar güçlü bağlanacağını tahmin eden akıllı bir hesaplayıcı olarak kullanıyorlar. Bu bağlanma güçleri skorları daha sonra, bu çalışmadaki 51 İBH hastasına uyarlanmış daha mütevazı makine öğrenimi modellerine takılabilecek, bilgi açısından zengin yeni özellikler haline geliyor.

Bağırsağın içini DNA ve RNA ile incelemek

Ekip, ülseratif kolit veya Crohn hastalığı olan kişilerin iltihaplı bağırsak dokularından alınan örnekler üzerinde çalıştı. Her örnekten iki ana biyolojik katmanı ölçtüler: DNA, küçük genetik değişiklikler olarak bilinen SNP’lere odaklanarak; ve RNA, dokudaki her genin ne kadar aktif olduğunu yansıtarak. Ayrıca dokuyu İBH için standart bir birinci basamak steroid tedavisi olan prednisolona maruz bırakıp, kilit bir iltihap belirteci olan TNFα’nın ne kadar düştüğünü ölçtüler. Bu TNFα değişimi, o hastanın dokusunun ilaca ne kadar iyi yanıt verdiğinin yerine geçen bir ölçüt olarak kullanıldı. Zorluk, binlerce genetik ve moleküler ölçümü bu ilaç yanıtı sonucu ile ilişkilendirmekti.

Modelere neye dikkat etmeleri gerektiğini öğretmek

İlk adım, modellerin en çok hangi proteinlere ve genlere önem vermesi gerektiğine karar vermekti. Temel modeli kullanarak araştırmacılar prednisolonun 11.000’den fazla insan proteinine ne kadar sıkı bağlanacağını tahmin ettiler ve ardından en güçlü tahmini bağlanmaya sahip üst %5’e odaklandılar. Cesaret verici şekilde, bu kısa liste ilacın bilinen hedeflerini ve kimyasal algılama ile sinyal iletiminde rol alan proteinleri içeriyordu; bu da YZ’nin sıralamalarının biyolojik olarak mantıklı olduğunu gösteriyordu. Daha sonra bu listeyi her hastanın DNA değişiklikleriyle birleştirip kişiselleştirilmiş “mutasyona uğramış” protein dizileri oluşturdular ve her mutasyonun prednisolon bağlanmasını hafifçe güçlendirip zayıflatabileceğini tekrar hesapladılar. Bu öngörülen bağlanma gücü değişimleri, kilit proteinlerdeki varyantların ilaç etkisini nasıl değiştirebileceğini yakalayan kompakt, hasta-özgü özellikler haline geldi.

Genetik sinyallerle gen aktivitesini harmanlamak

Sonraki adımda ekip, ilaç testlerinde kullanılan aynı bağırsak dokusundan alınan RNA ölçümlerinden gen aktivitesini ekledi. Her önceliklendirilmiş protein için, tahmin edilen bağlanma gücünü ilgili genin aktivitesiyle eşleştirdiler ve ayrıca ikisini çarparak hem ilacın ne kadar güçlü bağlanmasının beklendiğini hem de hedefin ne kadar bulunduğunu yansıtan bir “etkileşim durumu” oluşturdular. Bu zenginleştirilmiş özellikler üzerinde eğitilen makine öğrenimi modelleri, aynı DNA verisinin daha temel temsillerini kullanan modellere kıyasla prednisolona iyi yanıt veren ve vermeyen örnekleri ayırt etmede daha başarılı oldu. En etkili özelliklerden bazıları koku ile ilişkili reseptör aileleri ve yatıştırıcı beyin sinyali GABA ile ilgili bir reseptöre işaret etti; bu da bu proteinlerin bağırsak iltihabı ve steroid yanıtında az değer verilen rollerine işaret ediyor olabilir.

Uzman olmayanların da kullanabileceği karmaşık araçlar yapmak

Biyolojinin ötesinde, araştırmacılar pratik bir engelle de ilgilendi: çoğu laboratuvarda büyük temel modelleri çalıştırmak için gereken hesaplama uzmanlığı eksik. Bunu çözmek için bağlanma-afinitesi iş akışlarını Claude veya ChatGPT gibi YZ asistanları tarafından doğrudan çağrılabilecek açık bir Model Context Protocol (MCP) sunucusu içine sardılar. Bu düzenlemeyle bir bilim insanı, sıradan bir dille bir ilaç ile bir protein seti arasındaki öngörülen bağlanmayı isteyebilir ve sistem arka planda teknik adımları sessizce halleder. Bu, diğerlerinin kendi verilerini kullanarak benzer kişiselleştirilmiş ilaç-yanıtı sorularını araştırmasını kolaylaştırır.

Gelecekteki tedavi seçimleri için anlamı

Günlük ifadeyle, bu çalışma tek bir güçlü YZ modelinin, halka açık büyük veri kümeleri üzerinde eğitilerek gerçek dünyadaki küçük hasta çalışmalarının etkisini artırmasına nasıl yardımcı olabileceğini gösteriyor. Ham DNA değişiklikleri ve gen aktivitesini biyoloji farkındalığı taşıyan daha zengin özelliklere dönüştürerek, yazarlar prednisolondan kimlerin fayda sağlayacağını tahmin eden modellerin doğruluğunu iyileştirdiler. Sonuçlar hâlâ erken ve sınırlı sayıda hastaya dayanıyor, bu yüzden vurguladıkları spesifik gen–ilaç bağlantılarının daha fazla test edilmesi gerekecek. Ancak genel strateji — temel modelleri akıllı özellik üreteçleri olarak kullanmak ve bunları basit arayüzlerle erişilebilir kılmak — doktorların çok katmanlı moleküler testleri YZ aracılığıyla yorumlayıp her İBH hastası için doğru ilacı ve dozu seçebilecekleri bir geleceğe işaret ediyor.

Atıf: Gardiner, LJ., Kelly, J., Evans, A. et al. Multi-omics feature engineering driven by biomedical foundation models improves drug response prediction for inflammatory bowel disease patients. Sci Rep 16, 13820 (2026). https://doi.org/10.1038/s41598-026-44366-y

Anahtar kelimeler: inflamatuar bağırsak hastalığı, ilaç yanıtı tahmini, biyomedikal temel modeller, çoklu-omik, kişiselleştirilmiş tıp