AlphaGenome Atlas: İnsan DNA'sındaki her olası harf değişikliğinin önceden hesaplanmış haritası

Önce biraz biyoloji

İnsan genomu yaklaşık 3 milyar harflik bir metin. Harfler dört tane: A, C, G, T. Bu metnin yalnızca yaklaşık %2’si doğrudan protein tarifi taşıyor. Kalan %98’lik kısım ise o tariflerin ne zaman, hangi hücrede ve ne kadar kullanılacağını ayarlıyor. Bilim insanlarının hâlâ en az anladığı yer de burası.

İki insanın DNA’sı arasında milyonlarca küçük fark var. Çoğu zararsız. Ama bazen tek bir harfin değişmesi ciddi bir hastalığa yol açabiliyor. Asıl soru şu: Bir harf değiştiğinde hücrede ne değişir?

AlphaGenome ne yapıyordu?

DeepMind, 2025 yazında AlphaGenome modelini tanıttı (makalesi Ocak 2026’da Nature’da yayımlandı). Model bir milyon harfe kadar DNA dizisini okuyor ve tek harf çözünürlüğünde tahminler yapıyor: Bir gen ne kadar okunuyor, DNA’nın o bölgesi ne kadar açık, RNA nereden kesilip birleştiriliyor (splicing) gibi.

Bir değişikliğin etkisini bulmak için yöntem basit: Aynı diziyi bir kez orijinal hâliyle, bir kez değişmiş harfle modele veriyorsun. İki tahmin arasındaki fark, o değişikliğin tahmini etkisi.

Atlas: Hepsini önceden hesaplamak

8 Eylül’de duyurulan AlphaGenome Atlas, bu karşılaştırmayı tek tek sormak yerine genomdaki her harf için olası tüm değişikliklere uyguluyor. Bu da yaklaşık 9 milyar varyant demek. Sonuç yaklaşık 1 petabaytlık bir veri seti. DeepMind’a göre bu, AlphaFold’un protein yapısı veri tabanından 30 kat büyük.

Atlas’ta üç ana parça var:

• Moleküler etki tahminleri: Her varyant için, yüzlerce insan ve fare hücre tipinde binlerce ayrı ölçüm.
• AVI skoru: AlphaGenome’un tahminlerini, protein değişikliklerine bakan AlphaMissense’in skorlarıyla birleştiren tek bir sayı. Varyantları “önce hangisine bakmalı?” diye sıralamaya yarıyor. Skor, hangi etkenden (örneğin splicing ya da DNA’nın açıklığı) geldiğine de ayrıştırılabiliyor.
• Motifler: Genomda tekrar eden 2.500’den fazla kısa dizi ve konumları. Bunları genomun “kelimeleri” gibi düşünebilirsin; birçoğu, genleri açıp kapatan proteinlerin tutunduğu yerler.

Gerçek bir örnek

Broad Enstitüsü’ndeki bir ekip, çözülemeyen bir nadir hastalık vakasında AVI skorunu kullandı. Skor, epilepsiyle ilişkili DNM1 genindeki bir varyantın yanlış bir kesme noktası oluşturduğunu öngördü. Laboratuvar deneyleri bunu doğruladı ve vakanın çözülmesine destekleyici kanıt oldu. Exeter’den bir araştırmacı da 54 binden fazla UK Biobank katılımcısının verisinde varyantları tahmini etkilerine göre gruplayınca, protein kodlamayan bölgelerde %22 daha fazla genetik ilişki buldu.

Sınırlar

Bunlar tahmin, ölçüm değil. DeepMind modelin klinik kullanım için doğrulanmadığını ve onaylanmadığını açıkça söylüyor; kişisel genom yorumu için de tasarlanmadı. 2025 duyurusunda, 100 bin harften daha uzaktaki düzenleyici bölgelerin etkisini yakalamanın hâlâ zor olduğu belirtiliyordu. Atlas’ın kendisi de “son nokta değil, başlangıç çizgisi” olarak sunuluyor.

Ticari olmayan kullanım için web portalı ücretsiz ve kod bilgisi gerektirmiyor. Videoda DeepMind’dan bir araştırmacı, modelin insanla birlikte fare genomunda da eğitilmesinin daha genel kurallar öğrenmesine yardım ettiğini anlatıyor. Buna transfer öğrenme deniyor: Benzer ama farklı bir problemden öğrenilen bilgi, asıl problemde de işe yarıyor.

Düşün

• Bir modelin “bu varyant zararlı görünüyor” tahmini, bir doktorun kararında ne kadar ağırlık taşımalı?
• Tek tek sorgulamak yerine her şeyi önceden hesaplamak hangi durumlarda mantıklı? Kendi projelerinde buna benzer bir önbellek örneği var mı?

Kendi cümlelerimizle yazılmış bir özettir, çeviri değildir. Tüm kaynaklar yukarıda.