Raygun’un temelinde, büyük veri kümeleri üzerinde eğitilmiş protein dil modelleri bulunuyor. Bu modeller, milyonlarca protein dizisini inceleyerek amino asitlerin diziliminde yer alan istatistiksel örüntülerin üç boyutlu katlanma ve biyolojik aktiviteyle nasıl bağlantı kurduğunu öğreniyor. Bu sayede model, protein dizisi ile işlev arasında çalışan bir tür “çevirmene” benzetilebilecek bir rol üstleniyor; girdi olarak verilen dizi bilgisinden, istenen hedefe uygun olabilecek yeni sekans tasarımlarına yöneliyor.

Çerçevenin dikkat çekici tarafı ise Raygun’un proteinleri nasıl temsil ettiği. Proteinler genellikle değişken uzunlukta diziler olarak ele alınır; ancak Raygun, bu yaklaşımı daha standartlaştırılmış bir temsile dönüştürerek tasarım sürecine farklı bir bakış getiriyor. Kaynakta belirtilen bu yenilik, modelin farklı uzunluklara sahip protein varyantlarını üretmesini ve aynı zamanda “kilit” yapısal ve fonksiyonel özellikleri muhafaza etmeyi amaçlayan tasarımlar geliştirmesini kolaylaştıran bir mekanizma olarak sunuluyor.

Protein mühendisliğinde en büyük zorluklardan biri, dizide yapılan değişikliklerin yalnızca hedeflenen etkiyi yaratmakla kalmayıp aynı zamanda katlanma stabilitesini, doğru üç boyutlu yerleşimi ve biyolojik etkileşimleri de bozabilmesidir. Başka bir ifadeyle, sekans düzeyindeki küçük müdahaleler bile beklenmedik sonuçlar doğurabilir. Duke ekibinin Raygun ile ortaya koyduğu yaklaşım, değişikliğin kapsamını artırmayı planlarken bu tür istenmeyen sapmaları azaltmayı hedefleyen bir tasarım zemini kuruyor.

Fast Track programı, FDA’nın ciddi hastalıklarda karşılanmamış tıbbi ihtiyaç bulunan alanlarda tedavilerin geliştirilmesini ve gözden geçirilmesini hızlandırmaya yönelik düzenleyici bir çerçeve sunuyor. FDA’ya göre bu tür atamalar, aday tedavinin klinik açıdan potansiyel değer taşıdığının değerlendirildiği durumlarda devreye alınabiliyor. İnsilico’nun açıklaması, ISM6331’in bu statüyle birlikte, deneme tasarımı ve özellikle biyomarker stratejilerinin oluşturulması sırasında daha yoğun bir düzenleyici etkileşimin önünün açılabileceğini vurguluyor.

Malign plevral mezotelyom, tedavi seçeneklerinin sınırlı kalabildiği ve hastalığın çoğu zaman standart yaklaşımlara rağmen ilerleyebildiği nadir kanser türlerinden biri olarak biliniyor. Anti–PD-1 temelli tedaviler ile sağlanan faydanın her hasta için kalıcı olmayabilmesi, araştırmacıları yeni hedefler ve daha kişiselleştirilmiş yaklaşımlar aramaya yöneltiyor. Bu bağlamda ISM6331’in pan-TEAD inhibisyonu üzerinden geliştirilmesi, tümör biyolojisini yönlendiren sinyal yolaklarını hedefleyen daha mekanizma-temelli bir strateji olarak öne çıkıyor.

Şirketin paylaştığı bilgilere göre ISM6331, pan-TEAD inhibitor yaklaşımıyla Hippo yolak etkileşimleri üzerinden etki göstermeyi amaçlayan bir aday tedavi. TEAD protein ailesi, hücre büyümesi ve farklılaşmasıyla ilişkilendirilen transkripsiyonel süreçlerde yer alabiliyor; dolayısıyla bu ekseni hedefleyen ilaç geliştirme çabaları, bazı kanserlerde tümör davranışını değiştirme potansiyeli etrafında şekilleniyor. Ancak Fast Track Designation, etkinliğin kanıtlandığı anlamına gelmiyor; daha çok, klinik değere yönelik erken işaretler veya mantıklı biyolojik gerekçeler üzerinden değerlendirme süreçlerinin hızlandırılabileceğini gösteren düzenleyici bir adım olarak görülmeli.

Fast Track kapsamının, anti–CTLA-4 tedavisiyle birlikte veya tek başına giden senaryoları ve platin bazlı kemoterapi alan ya da almayan hastaları içermesi, ISM6331 için klinik araştırma planının kombinasyon ve ardışık tedavi pratikleriyle uyumlu şekilde ele alınabileceğine işaret ediyor. Bu tür geniş kapsamlar, gerçek klinik çeşitliliği yansıtmayı ve hangi hasta alt gruplarının daha olası fayda gösterebileceğini anlamaya yönelik biyomarker çalışmalarını öne çıkarmayı sağlayabilir.

İnsilico Medicine’in daha önceki düzenleyici güncellemeleri ve ISM6331’e ilişkin öksüz/seyrek hastalık bağlamındaki değerlendirmelerle birlikte değerlendirildiğinde, Fast Track onayı şirketin malign mezotelyom alanındaki klinik geliştirme takvimine düzenleyici açıdan ivme kazandıran bir gelişme olarak yorumlanıyor. Yine de tedavinin kanıt düzeyi, yürütülecek klinik çalışmalardan elde edilecek güvenlik ve etkinlik verileriyle netleşecek.

FDA’nın ISM6331 için verdiği Fast Track Designation, mezotelyomda hedefe yönelik yeni tedavi yaklaşımlarının düzenleyici gündemde daha görünür hale geldiğini gösterirken, önümüzdeki klinik veri akışının bu umut vaat eden biyolojik hedefi ne ölçüde klinik faydaya dönüştüreceğini belirlemesi bekleniyor.

Yeni bir çalışmada Vanderwall, Huttlin, Mintseris ve arkadaşları, proteom ölçeğinde kinaz özgüllüğünü çözmeye odaklanan KinoPlex adlı yapay zekâ destekli bir hesaplama çerçevesini tanıtıyor. Araştırmacılar, sorun alanını iki parçaya ayırıyor: Birincisi, proteinlerin bağlanma ve fosforilasyon potansiyelini etkileyen katlanmış, yerel benzeri üç boyutlu konumlarını modellemek; ikincisi ise kinazların tanıdığı kısa motif desenlerini bu yapısal bağlama yerleştirerek, belirli bir kalıntının “reachability” yani erişilebilirlik ve tanınabilirlik koşullarını sağlayıp sağlamadığını tahmin etmek.

KinoPlex’in yaklaşımı, tahmin edilen protein yapıları ile kinazların tanıma motiflerini birleştiriyor. Çerçeve, proteindeki her olası hedef kalıntı için, ilgili kinazın tanıma kalıbının yapısal ortamla uyum gösterip göstermediğine ve kinazın bu kalıntıyı işleyebilmesi için gereken erişimin sağlanıp sağlanmadığına ilişkin bir fosforilasyon potansiyeli skorlaması yapmayı amaçlıyor. Böylece araştırmacıların tarif ettiği “bottleneck” aşılmaya çalışılıyor: Sadece fosforilasyonun teorik olarak mümkün olduğunu söylemek yerine, kinazın gerçekçi bir üç boyutlu bağlamda hedefi tanıyıp tanıyamayacağını tahmin etmek.

Çalışmanın vurguladığı kritik nokta, fosfosit haritalamasında eksik kalan bilginin, deneysel verinin azlığından olduğu kadar, kinaz-alt hedef eşleştirmesinin zorluğundan da beslenmesi. İnsan proteomunda deneysel fosforilasyon kanıtlarının oranı yaklaşık yüzde 6 düzeyinde ifade ediliyor; bunun da önemli bir bölümü için kinaz ataması netleştirilemeyebiliyor. KinoPlex gibi hesaplama yaklaşımları, deneysel çabanın yerini almak iddiasında bulunmaktan ziyade, fosforilasyonun ve kinaz özgüllüğünün sistematik olarak önceliklendirilmesine yardımcı olmayı hedefliyor. Bu önceliklendirme, hangi kinazların hangi protein bölgelerini daha olası şekilde düzenlediğine dair aday listelerin daha verimli biçimde oluşturulmasını sağlayabilir.

Modelin omurgasında, AlphaFold protein yapısı modelleriyle uyumlu bir yapı tahmin yaklaşımı kullanıldığı belirtiliyor. Bu, uzun menzilli bir biyolojik gerçekliği hesaba katmaya yönelik bir adım: Proteinlerin hücre içindeki katlanma durumu, belirli bir kalıntının yüzeyde olup olmaması, çevre kalıntıların yönelimi ve yerel mikro çevre gibi etmenler, kinazın tanıma etkileşiminin sonucunu etkiler. KinoPlex’in kinaz tanıma motif analizi ile bu yapısal bağlamı bir araya getirmesi, “ulaşılabilirlik” ve “tanınabilirlik” kavramlarının sayısallaştırılması açısından dikkat çekiyor.

Sonuç olarak çalışmanın ortaya koyduğu çerçeve, insan proteomunda kinaz-özgül fosforilasyon olasılıklarının daha sistemli bir biçimde haritalanmasına yönelik bir yapay zekâ yolu sunuyor. Bu tür proteom ölçeğinde öngörülerin, sonraki deneysel doğrulamalar için adayların seçilmesini kolaylaştırabileceği düşünülüyor. Bununla birlikte, hesaplamadan deneysel doğrulamaya giden süreçte her zaman belirsizlik payı bulunduğu; yeni modellerin bulgularının ancak laboratuvar testleriyle pekiştirilebileceği de göz önünde bulundurulmalı.

Kaynak: https://scienmag.com/ai-structural-atlas-reveals-kinase-specificity-across-the-human-proteome/

Protein sekansı üreten modellerin çoğu, büyük protein veri kümeleri üzerinden “olası” diziler üretmeye odaklanan ön eğitimler alıyor. Ancak tasarım hedefi yalnızca dil benzeri tutarlılık değil; aynı zamanda bağlanma, işlev, kararlılık veya diğer ölçülebilir özellikler gibi ek koşullara uyum. Bu tür ek sinyalleri sisteme dâhil etmek çoğu zaman yeni eğitim verisiyle yeniden öğrenmeyi, özel mimariler kurmayı ya da üretim sırasında ek eğitim adımları yürütmeyi gerektiriyor. ProteinGuide’un sunduğu yaklaşım, bu sorunu koşullandırma (conditioning) açısından yeniden çerçevelendiriyor: Modelin içini değiştirmeden, üretimin nasıl yönlendirileceğine ilişkin istatistiksel bir çerçeve kuruyor.

ProteinGuide’un “on-the-fly” olarak tanımlanan yönlendirme yaklaşımı, farklı türde üretici paradigmaların aynı şemsiye altında yönlendirilebileceğini savunuyor. Protein sekansı üretiminde kullanılan modellerin yapısı; protein dil modelleri, grafik-temelli yaklaşımlar ve difüzyon modelleri gibi sınıflara ayrılabiliyor. Her birinin ek koşullara uyum sağlaması için farklı teknikler gerekebiliyor. Çalışmada geliştirilen yöntem ise, bu çeşitliliği tek bir istatistiksel mantıkla birleştirmeyi amaçlıyor. Böylece kullanıcı, örneğin bir deneyde ölçülmüş bir mülkiyeti ya da belirli bir hedefi üretim sürecine dâhil etmek istediğinde, tüm sistemi baştan eğitmeye zorlanmıyor.

ProteinGuide’un kritik yönü, “koşullandırma”yı ek bir eğitim döngüsü olarak değil, çıkarım (inference) aşamasında uygulanabilen bir rehberlik mekanizması olarak ele alması. Kaynak materyale göre, yöntemin pratikte farklı modern sekans üreticileriyle uyumlu biçimde çalışabildiği gösteriliyor. Bu uyumluluk, özellikle laboratuvar koşullarında değişen hedefler ve sınırlılıklar söz konusu olduğunda önem taşıyor; çünkü yeni deneysel geri bildirim geldikçe tasarım kriterlerinin de yeniden belirlenmesi gerekebiliyor. ProteinGuide’un yaklaşımı, bu tür değişiklikleri hızlı şekilde üretim sürecine yansıtmayı hedefliyor.

Çalışmanın yöntembilimsel omurgasında, üretici modelin “önceden bildiği” olası diziler üretme eğilimi ile kullanıcıdan gelen ek ölçütler arasındaki dengeyi kuran bir çerçeve bulunuyor. Bu denge, genellikle kullanıcı tarafından sağlanan yardımcı bilgi ile modelin kendi olasılık dağılımı arasında bağlantı kurarak gerçekleşiyor. Sonuç olarak amaç, yalnızca dilsel olarak makul görünen diziler üretmekten öteye giderek, istenen özelliğe doğru yönlendirilmiş örnekler elde etmek.

Çalışma, iRBD’nin sinükleinopatiler için yaygın bir prodromal işaret olmasına rağmen, tüm hastaların klinik hastalığa dönüşmediğini ve dönüşüm yollarının bireyler arasında farklılaştığını vurguluyor. “Dönüşüm heterojenliği” olarak tanımlanan bu durum, öngörücü sinirbilimde uzun süredir önemli bir engel olarak görülüyor; çünkü aynı başlangıçtan yola çıkan iki kişi farklı klinik yörüngeler izleyebiliyor. Araştırmacılar bu nedenle, tek seferlik tahminler yerine zaman duyarlı bir yaklaşım hedeflediklerini belirtiyor.

Modelin omurgasını, görev performansı gerektirmeyen dinlenim EEG ölçümleri oluşturuyor. Ekip, dinlenim durumunda kaydedilen beyin elektriksel etkinliğinden ayırt edici imzalar çıkartarak, kişinin gelecekte Parkinson hastalığıyla ilişkili fenotiplere yönelme olasılığını zamana yayılmış bir şekilde değerlendirmeyi amaçladı. Bu yaklaşım, klinik uygulamada pratikliğe katkı potansiyeli taşıyor; zira dinlenim EEG’si çoğu zaman karmaşık görev gerektirmeden uygulanabiliyor.

Yook, Shin, Noh ve çalışma arkadaşlarının yürüttüğü araştırmada, EEG verileri istatistiksel öğrenme yöntemleriyle birleştirilerek uzunlamasına modelleme yapıldı. Böylece, yalnızca “olacak/olmayacak” biçiminde tek zamanlı bir olasılık hesabına bağlı kalmak yerine, iRBD popülasyonu içinde farklı dönüşüm desenlerini daha iyi yakalayabilecek bir tahmin yaklaşımı hedeflendi. Bu, özellikle dönüşümün zamanlamasının ve bireysel yörüngelerin değişken olabileceği senaryolarda anlamlı görülüyor.

Çalışmanın vurguladığı temel nokta, dönüşümün tek bir rota gibi düşünülmemesi gerektiği. Araştırmacılar, iRBD’den Parkinson spektrumu ile ilişkili klinik özelliklere doğru gidişin çeşitlilik gösterdiğine işaret ederken, modelin bu heterojenliği hesaba katan bir çerçeve sunmayı amaçladığını belirtiyor. Dinlenim EEG’sinden elde edilen sinyallerin, yalnızca tanısal bir işaret olmanın ötesinde, uzun vadeli fenokonversiyon süreçlerine dair ipuçları taşıyabileceği fikri bu bağlamda öne çıkıyor.

Bu tür çalışmalar, erken belirti aşamasından daha net bir risk tahmini üretmeye çalışırken aynı zamanda bilimsel soruyu da genişletiyor: Hangi biyofiziksel imzalar, dönüşümü farklı hızlarda ve farklı biçimlerde etkiliyor? Yeni model yaklaşımı, EEG’nin sinirsel dinamikleri “zamansal” olarak ele alabilen bir araç olabileceğini ima ederken, sonuçların klinik kullanıma geçebilmesi için daha geniş örneklemler ve bağımsız doğrulamalarla desteklenmesi gerekecek.

Dinlenim EEG’si temelli, uzunlamasına tahmin modelleri; prodromal dönemle ilişkili biyobelirteçleri izleme ve hastalık yörüngelerini daha iyi sınıflandırma konusunda araştırmacılara yeni bir yol açabilir. Bununla birlikte, çalışmanın erken aşamalı doğası göz önüne alındığında, öngörülerin bireysel klinik kararları tek başına belirlemesi beklenmez; daha ziyade risk değerlendirmesini bilimsel olarak rafine etme yönünde atılmış bir adım olarak ele alınmalı.

Kaynak: https://scienmag.com/eeg-modeling-predicts-conversion-and-reveals-diverse-outcomes-in-isolated-rem-sleep-disorder/

Nature Communications’ta 2026 yılında yayımlanan çalışmada araştırmacılar, çok türlü beyin taramalarını tek bir navigasyonu yapılabilir atlasa dönüştürmeyi amaçlayan hiyerarşik bir haritalama yöntemi tanımladı. Bu yaklaşımın merkezinde, bölgeleri yalnızca yüzey koordinatlarına bakarak eşleştirmek yerine, bölgelerin kendi aralarındaki işlevsel ve yapısal ilişkilerini temel alan bir çok seviyeli yapı oluşturma fikri bulunuyor. Böylece, türler arasındaki büyüklük ve şekil farklarının parçalara ayırma işlemini bozması yerine, bu farklar hiyerarşinin içine “uyumlanabilir” bir biçimde yerleştiriliyor.

Çalışmanın dayandığı temel sorun, tek anatomiye optimize edilmiş parcellation şemalarının türler arasında doğrudan taşınamaması. Örneğin bir yöntemin belirli bir türdeki gri madde sınırlarını iyi yakalaması, başka bir türde aynı sınırların anlamlı biçimde karşılık bulacağı anlamına gelmiyor. Bu durum, literatürde çok türlü karşılaştırmaların çoğu zaman tutarlılık kaybına uğramasıyla sonuçlanabiliyor; çünkü parçalara bölme kararları, çoğu sistemde hedef anatominin istatistiklerine göre şekilleniyor.

Araştırmacıların önerdiği çerçevede ise parçalayıcı yapı, türler arası karşılaştırmayı kolaylaştıracak biçimde katmanlı bir hiyerarşi mantığıyla kurgulanıyor. Bu hiyerarşi, korteksin yanı sıra kortikal altı gri maddeyi de dahil ederek, beyin içinde farklı düzeylerde örgütlenme düşüncesini sayısal olarak temsil etmeyi amaçlıyor. Böylece, yalnızca bir “üst sınırlar listesi” değil, bölgelerin daha geniş bir örgütlenmeye nasıl bağlandığını da gösteren bir harita elde edilmeye çalışılıyor.

Sistemin uygulanabilmesi için ekip, görüntülerden elde edilen gri maddeyle ilişkili özellikleri entegre ediyor. Bu özellikler, çalışmanın anlatımına göre parçalayıcı eşleştirmeyi yalnızca geometrik benzerliklere değil, aynı zamanda gri maddenin içsel görsel/uzamsal karakteristiklerine dayandırmayı hedefliyor. Çok türlü veriler için bu tür bir entegrasyonun kritik olduğu belirtiliyor; çünkü biyolojide benzer fonksiyonel kompartmanlar her zaman aynı kıvrım yüzeyine denk gelmeyebiliyor.

Hiyerarşik çerçevenin önemli bir yönü de “çok seviyeli uyum” yaklaşımı. Araştırmacılar, türler arasında doğrudan birebir yüzey eşleştirmesi yerine, bölgelerin fonksiyonel ve yapısal bağlamları üzerinden hizalanmasını amaçlıyor. Bu, küçük farklılıkların tek bir hata kaynağı gibi çalışmasını azaltabilir; çünkü sistem, benzerliği tek bir düzeyde değil, birden fazla düzeyde değerlendirecek şekilde tasarlanıyor.

Çalışma, çok türlü karşılaştırmalarda atlasların rolünü yeniden şekillendirmeyi hedeflerken, aynı zamanda hesaplamalı sinirbilimde ortak bir harita altyapısına duyulan ihtiyacı vurguluyor. Araştırmacıların yaklaşımı, rodentten primata ve insana uzanan bir yelpazede kortikal ve kortikal altı bölgeleri kapsayan tek bir navigasyon çerçevesi kurma niyeti taşıyor. Bu tür atlasa dayalı karşılaştırmalar, farklı türlerdeki sinirsel örgütlenmenin nasıl korunup nasıl dönüştüğünü anlamaya yönelik çalışmaların daha karşılaştırılabilir tasarlanmasına katkı sağlayabilir.

Nature Communications’taki çalışma, beyin parcellation alanında türler arası uyumu artırmaya yönelik hesaplamalı bir adım olarak öne çıkıyor. Geliştirilen hiyerarşik çerçevenin, farklı veri setleriyle ne kadar sağlam çalıştığı ve hangi düzeydeki parçalara ayrımın en tutarlı sonuçları verdiği, yöntemin gelecekteki değerlendirmeleri için belirleyici sorular olarak kalıyor. Yine de araştırmanın temel fikri—birebir koordinat eşleştirmesinden ziyade ortak ilişkiler üzerinden çok katmanlı bir hizalama kurmak—çok türlü beyin atlaslarının önünü açabilecek bir yaklaşım sunuyor.

Kaynak: https://scienmag.com/hierarchical-framework-enables-cortical-and-subcortical-brain-parcellation-across-species/

Hippo-TEAD eksenini hedefleme iddiası ve ISM6331’in konumu ISM6331’in geliştirilmesindeki temel bilimsel yaklaşım, kanserlerde sıkça görülen Hippo yolu ile onun başlıca aşağı akım aracısı olarak kabul edilen TEAD transkripsiyon faktörleri üzerinden sinyal iletimini modüle etmeye dayanıyor. Eksenin pek çok tümör tipinde düzensiz aktivasyon göstererek hücre çoğalmasını, hayatta kalma programlarını ve dokuda “uygunsuz” büyüme süreçlerini besleyebildiği belirtiliyor. Bu nedenle, TEAD düğümünün uzun süredir ilgi çekici bir hedef olduğu; ancak tarihsel olarak TEAD’ı etkili biçimde inhibe eden, seçici ve ilaç benzeri küçük molekül geliştirmede zorluklar yaşandığı ifade ediliyor.

“Pan-TEAD” yaklaşımının klinik bağlama taşınması Şirketin açıklamasında ISM6331’in “pan-TEAD” inhibitörü olarak tanımlanması, TEAD ailesinin birden fazla üyesini kapsayan bir farmakolojik etki potansiyeline işaret ediyor. Hippo-TEAD sinyalinin kanser biyolojisinde rolüne dair genel çerçeve, araştırmacıların yalnızca tek tek yolların değil, yol düğümlerinin de tedaviye dönük olarak nasıl kontrol edilebileceğini tartışmasına yol açtı. ISM6331’in Faz 1 sonuçlarıyla bu yaklaşımın erken klinik verilerde nasıl göründüğünün, ESMO’daki sunumun odak noktalarından biri olması bekleniyor.

Faz 1’de mesötilom ve ileri evre solid tümörlerde araştırma ISM6331’in klinik çalışmasında odak alanlarından biri, bildirime göre mezotelyom ve ileri evre solid tümörler. Faz 1 düzeyi çalışmalar genellikle etkililikten ziyade güvenlilik, tolere edilebilirlik, doz aralığı ve farmakokinetik/farmakodinamik sinyaller gibi parametreleri açıklığa kavuşturmayı amaçlar. Bu bağlamda, ESMO’da paylaşılacak ilk insan verileri, ilacın erken klinik profiline dair hangi işaretlerin öne çıktığını göstermesi açısından önem taşıyabilir.

Rapid Oral sunumu ve akademik gündeme yansıma takvimi Rapid Oral formatı, kongre programı içinde seçilen ve dikkat çeken klinik gelişmeleri kısa süre içinde geniş bir izleyiciye aktarmayı hedefler. İnsilico Medicine’in takvimine göre ISM6331 sunumu, kongre sürecinin bir parçası olarak 25 Ekim 2026’da gerçekleştirilecek. Sunumun #997 numarasıyla erişime açılması, araştırmacıların ve klinisyenlerin Faz 1 verilerini ayrıntılandırılmış şekilde takip etmesini sağlayacak.

Şirketin duyurusu, AI-tasarımlı bir molekülün Hippo-TEAD eksenine küçük molekül düzeyinde yaklaşımını erken klinik verilerle görünür kılmayı hedeflediğini ortaya koyuyor. Ancak bu aşamada sonuçların kapsamı, veri setinin içeriği ve klinik okuma düzeyi yalnızca sunumda paylaşılacak ayrıntılarla netleşecek. ESMO 2026’da gelecek Faz 1 güncellemesi, ISM6331’in geliştirme planında bir sonraki adımlar için hangi sinyalleri taşıyabileceğine dair bilimsel tartışmayı hızlandırabilir.

Çalışmanın merkezinde SÉMIL (Semantically-Enhanced Multiple Instance Learning) adı verilen model yer alıyor. Geleneksel yaklaşımlarda prognoz tahmini çoğu zaman yeni biyobelirteç arayışlarına veya ek doku örneklemeye dayanabiliyor. SÉMIL ise yeni bir biyobelirteç veya ek örnekleme gerektirmek yerine, mevcut patoloji iş akışında zaten bulunan iki veri kaynağını bir araya getiriyor: tümör dokusunu gösteren dijital slayt görüntüleri ve bu görüntülere eşlik eden metin açıklamaları. Model, “semantik” entegrasyon sayesinde hem görüntüdeki tümör özelliklerini hem de klinik bağlama işaret eden yazılı ifadeleri birlikte yorumlayarak daha zengin bir prognostik sinyal çıkarmayı hedefliyor.

Bu yaklaşımın tıbbi gerekçesi, patolojide kullanılan raporlamanın yalnızca görüntülerden ibaret olmaması. Patologların değerlendirmeleri, invazyon alanları, tümörün mikroskobik yerleşimi ve diğer gözlemsel özellikler gibi bilgileri hem görsel hem de rapor metni üzerinden aktarır. SÉMIL, bir “görüntü yığını” mantığıyla farklı bölgelerden elde edilen örnekleri birden fazla parça halinde değerlendirip, ayrıca patoloji metnindeki anlatımı da modele dahil ederek evre II hastalarda nüks olasılığıyla ilişkilendirilebilecek desenleri öğreniyor.

Geliştirilen modelin test edilmesi için araştırmacılar, birden fazla patoloji örneğini kapsayan geniş bir veri seti kullandı. Çalışmada 1.600’ün üzerinde patoloji slaytı analiz edildi ve model, evre II tanılı toplam 1.220 hasta üzerinde doğrulandı. Bu doğrulama tasarımı, algoritmanın yalnızca eğitim verisi üzerinde değil, bağımsız bir hasta grubunda da performansını değerlendirmeyi hedefleyen çok aşamalı bir yaklaşımın parçası olarak sunuluyor. Bulguların hakemli bir dergide yayımlandığı belirtiliyor; Gastroenterology’de yer alan çalışma, dijital patoloji ve derin öğrenme tabanlı risk tahmininin klinik karar desteğine nasıl entegre edilebileceği konusunda güncel bir örnek oluşturuyor.

Daha önceki çalışmalar genel olarak, biyobelirteç ya da ek invaziv örnekleme gerektirmeden klinik risk tahminini iyileştirme ihtiyacını vurguluyor. Bu çerçevede SÉMIL’in “rutin materyalden” prognostik bilgi çıkarması, pratik uygulanabilirlik açısından dikkat çekiyor. Bununla birlikte araştırmaların erken aşamada bir teknolojiyi temsil ettiği ve gerçek klinik kullanımın, farklı merkezlerden veriyle yeniden doğrulama, veri standardizasyonu ve prospektif klinik değerlendirme gibi ek adımları gerektirebileceği de önemle belirtilmeli. Nüks riskini öngörmek, tedavi seçimini tek başına belirleyen bir kriter olmaktan ziyade, mevcut klinik göstergelerle birlikte ele alındığında anlamlı olabilir.

Yine de evre II kolorektal kanserde nüks riskini daha ince tabakalara ayırma fikri, klinisyenlerin hangi hastaların daha yoğun takip veya ek tedavi değerlendirmesinden fayda görebileceğini belirleme hedefiyle doğrudan örtüşüyor. La Trobe Üniversitesi ekibinin çalışması, dijital slayt görüntüleriyle patoloji metnini aynı anda yorumlayabilen semantik bir derin öğrenme yaklaşımının, prognoz tahminini geliştirme potansiyeline işaret ediyor.

Kaynak bağlantısı: https://scienmag.com/ai-predicts-bowel-cancer-relapse-risk-with-improved-accuracy/

Çalışmada geliştirilen model, anket tamamlama sırasında ortaya çıkan davranış göstergelerini öğreniyor. Yanıtların verilme zamanlaması, tutarlılık düzeyi ve yanıtlarla anketin etkileşimi içinde saklı kalabilen daha ince sinyaller, sistemin kullandığı “davranışsal parmak izleri” arasında yer alıyor. Araştırmacılar, bilişsel işlevlerde erken değişimler başladığında bu parmak izlerinin de kayabileceğini vurguluyor. Böylece model, kişinin hangi sorulara ne cevap verdiğinin yanı sıra, soruları yanıtlarken nasıl bir yol izlediğine odaklanarak bilişsel gerileme olasılığına dair erken işaretler yakalamayı amaçlıyor.

Çok ülkeli uygulamalarda en önemli zorluklardan biri, anketlerin farklı dil, kültür ve sağlık sistemi bağlamlarında aynı şekilde çalışmamasıdır. Aynı ölçüm aracı, çeviriler, yanıtlama alışkanlıkları ve veri toplama koşulları nedeniyle ülkeden ülkeye farklı performans gösterebilir. Yeni çalışma, bu tür çapraz kültürel farklılıkların modelin genelleşmesini sınırlayabileceği düşünülen alanlarda, yanıt davranışına dayalı işaretleri daha sağlam bir sinyal olarak kullanmaya dönük bir tasarım benimsiyor.

Araştırma ekibinin anlatımına göre yaklaşımın “düşük yük” tarafı, her birey için kapsamlı klinik test gereksinimini azaltmaya yönelik. Günlük sağlık taramalarında ve epidemiyolojik çalışmalarda sıkça başvurulan anketlerin kendi doğasında var olan değişkenliği, sistemin avantajına dönüştürmek hedefleniyor. Klinik ortamda uygulanan standart testler kadar kontrollü olmayan gerçek dünya verisinde, yanıtların tutarsız görünmesi ya da farklı hızlarda gelmesi gibi durumlar değerlendirmeyi karmaşıklaştırabiliyor. Model ise bu belirsizlikleri dışlayıp yok saymak yerine, yanıt sürecindeki örüntüleri öğrenerek erken bilişsel etkilenmeyi yakalamaya çalışıyor.

Çalışmada, bilişsel bozulmanın erken dönemde yakalanmasına yönelik yaklaşımın anket yanıtlarının davranışsal özelliklerine dayanması dikkat çekiyor. Bu, geleneksel taramalarda çoğu zaman ağırlığın daha çok yanıtların sözlü/ifadeye dayalı içeriğinde olduğu anlamına geliyor. Yeni yöntem, söz konusu içerik sinyalini tek başına temel almak yerine, yanıtların ortaya çıkış biçiminden türetilen örüntüleri ek bir katman olarak kullanıyor. Böylece erken dönem değişimlerin anket performansına yansıdığı durumlarda, içerik dışı sinyallerin tanımlayıcı olabileceği düşüncesi öne çıkıyor.

Yazarların vurgusu, bu sistemin sağlık taramaları açısından pratik kullanım hedefi taşıdığı yönünde olsa da, çalışmanın yeni bir bilimsel rapor niteliği taşıdığı ve klinik uygulamaya geçişin daha geniş doğrulama adımları gerektirebileceği belirtiliyor. Erken bilişsel gerilemeyi işaret etme yaklaşımı, tanı koyma vaadi şeklinde değil, tarama ve erken farkındalık olasılığı bağlamında değerlendirilmelidir. Ayrıca modelin farklı diller ve sağlık altyapılarıyla nasıl performans verdiğine ilişkin ayrıntılar, sonraki doğrulama çalışmalarının kapsamına bağlı olacaktır.

Yine de bulgular, anketlerin yalnızca soruların yanıtlandığı metinler değil, aynı zamanda yanıt verme davranışına dair zengin veri üreten “davranışsal süreç kayıtları” olabileceğini gösteren bir yaklaşım sunuyor. Erken dönemde bilişsel değişimleri yakalayabilen araçların, daha zamanında değerlendirmelere ve uygun yönlendirmelere zemin hazırlaması beklenebilir. Çalışma, çok ülkeli sağlık verilerinde genelleşebilirliği artırmayı hedefleyen düşük maliyetli yapay zekâ yöntemlerine yönelik araştırmaların hızla genişlediğini de ortaya koyuyor.

Kaynak: Nature Communications’ta yayımlanan bu çalışma, erken bilişsel bozulmanın izini anket yanıtlarının davranışsal örüntülerinden sürebilen düşük yük bir yapay zekâ yaklaşımının, ülkeler arası veri koşullarında önemli bir ihtiyacı hedeflediğini işaret ediyor. Devam eden doğrulamalarla birlikte, anket tabanlı taramaların duyarlılığını artırmaya dönük yeni bir yol haritası sunabilir.

Çalışmanın odağında, lokal olarak ilerlemiş rektal kanser tanısı alan hastalarda standart tedaviye irinotekan eklenmesinin sağkalımı ne ölçüde etkilediği sorusu bulunuyor. Bu yaklaşımın herkeste aynı sonuçları vermeyebileceği düşüncesiyle, araştırmacılar irinotekanı genel olarak “her zaman eklenmelidir” şeklinde ele almak yerine, klinik faydanın biyopsi örneklerinin tümör dokusu özelliklerine göre değişebileceğini test etti. Özellikle de tanı anındaki tümör hücre yoğunluğunun düzeyi, olası farklı tedavi yanıtlarını ayırmak için kullanıldı.

Gelinen noktada, biyopsilerde tümör hücre yoğunluğunu değerlendirmek için kullanılan geleneksel yöntemlerin büyük ölçekli çalışmalarda her zaman aynı tutarlılıkta sonuç vermeyebileceği belirtiliyor. Bu nedenle UCL ekibi, histoloji görüntülerini kullanarak tümör örneklerini “yüksek” ve “düşük” tümör hücre yoğunluğu gruplarına ayıran bir yapay zekâ modelinden yararlandı. Modelin, standart histopatoloji görüntülerinden tümör hücre yoğunluğuna ilişkin ayırt edici bir örüntüyü yakalayabildiği ve bu örüntünün geleneksel değerlendirme ile her zaman güvenilir biçimde yakalanamadığı ifade ediliyor.

Bu ayrımın klinik önemi, çalışmanın aynı zamanda daha önce yürütülen büyük bir faz 3 denemesinin verileri üzerinden kurgulanmış olmasından geliyor. Araştırmada, ARISTOTLE denemesinde yer alan hastaların verileri yapay zekâ temelli yeniden analiz edildi. Post-hoc (sonradan yapılan) bu analiz yaklaşımı, belirli bir tedavinin genel popülasyonda ne yaptığına bakmanın ötesine geçerek, alt gruplarda fayda ihtimalinin nasıl şekillenebileceğini incelemeyi amaçlıyor.

Çalışmanın sonuçları, tümör hücre yoğunluğu yüksek olan hastalarda yoğunlaştırılmış tedavi stratejisine ilişkin olası bir farklılık işaret ederken, tümör hücre yoğunluğu düşük olan gruplarda aynı etkinin görülmeyebileceğine dair bir çerçeve sunuyor. Metin, irinotekan içeren tedavinin sağkalım üzerinde etkisini özellikle tanı anındaki tümör hücre yoğunluğu yüksekliğine bağlayarak değerlendiriyor. Ancak çalışma, bu bulguların klinik uygulamada otomatik bir “seçim kuralı” olarak kullanılmasının henüz erken olabileceğine dair tıbbi belirsizliği de ima eden bir bilimsel tasarıma sahip.

Yine de bu çalışma, patoloji görüntülerinin yapay zekâ ile standardize edilmesi yoluyla “doğru hastaya doğru yoğunlukta tedavi” fikrini somutlaştırması bakımından dikkat çekiyor. İleri evre rektal kanserde standart tedavilerin temelini kemoradyoterapi oluştururken, sistemik tedaviye eklenecek ajanların kime fayda sağlayıp sağlamadığını belirlemek, gereksiz toksisiteyi azaltma açısından da kritik bir sorun. Araştırmanın önerdiği biyopsi temelli sınıflandırma, gelecekte daha hedefli denemelere kapı aralayabilir.

UCL ekibinin eBioMedicine’de yayımladığı bu çalışma, yapay zekâ destekli histoloji analiziyle hasta alt gruplarını daha net ayırmanın mümkün olabileceğini gösteriyor. Sonraki adım olarak, bu sinyalin farklı hasta gruplarında doğrulanması ve modelin klinik rutinde ne ölçüde tekrarlanabilir olduğunun ortaya konması gerekecek. Böylece, rektal kanserde tedavi yoğunluğunun kişiselleştirilmesine yönelik kanıt tabanı güçlenebilir.

Kaynak: https://scienmag.com/ai-study-shows-cancer-therapy-effectiveness/