Biyoloji, yapay zeka ve makine öğrenmesi yaklaşımlarının göz kamaştırıcı başarılar elde ettiği bir bilim dalı. Bu alanda yapay zeka, plastikleri sindiren enzimler tasarlamak ve yılan zehrinin toksinlerini bloke eden proteinler üretmek gibi önemli çalışmalara imza attı. Ancak her alanda olduğu gibi yapay zeka heyecanının dorukta olduğu bu dönemde, elimizdeki devasa veri yığınlarını yapay zekaya bırakarak biyolojinin pek çok alanını kolayca anlayabileceğimiz ve zahmetli deneylerden kaçınabileceğimiz düşüncesi yaygınlaşabilir.
Fakat biyoloji, sadece protein yapılarını aşan bir karmaşıklığa sahip. Yapay zekanın biyolojinin tüm yönlerini eşit derecede etkili bir şekilde ele alabileceğini öne sürmek için henüz çok erken. Bu bağlamda, farklı koşullara maruz bırakılan hücrelerde genlerin ne kadar aktif olacağını tahmin etmek üzere tasarlanmış bir dizi yapay zeka yazılımını karşılaştıran bir çalışma dikkatimizi çekti. Elde edilen sonuçlar, yapay zeka sistemlerinin kasıtlı olarak basitleştirilmiş bir tahmin yönteminden daha iyi performans gösteremediğini ortaya koydu.
Bu sonuçlar, biyolojinin inanılmaz derecede karmaşık olduğunu ve bir yönü için geliştirilen yapay zeka sistemlerinin genellenemeyeceği konusunda önemli bir uyarı niteliği taşıyor.
Yapay Zeka ve Gen Aktivitesi
Heidelberg'de görevli üç araştırmacı tarafından yürütülen bu çalışma, yapay zeka yazılımlarının gen aktivitesindeki değişiklikleri tahmin etme çabalarını inceliyor. Bir hücrede insan genomundaki yaklaşık 20.000 genin kopyaları bulunsa da, her hücrede tüm genler aktif değildir. 'Aktif' terimi, bu bağlamda mesajcı RNA üreten genleri ifade eder. Bazı genler, yüksek seviyelerde sürekli aktif olan temel bir işlevi yerine getirir. Diğerleri ise yalnızca belirli hücre tiplerinde, örneğin sinir veya deri hücrelerinde aktiftir. Yine bazı genler, düşük oksijen veya yüksek sıcaklık gibi belirli koşullar altında aktive olur.
Yıllar boyunca, belirli bir hücre tipindeki her genin farklı koşullar altındaki aktivitesini inceleyen birçok çalışma yapıldı. Bu çalışmalar, bir grup hücrede hangi mesajcı RNA'ların bulunduğunu belirlemek için gen çipleri kullanmaktan, tek hücrelerden izole edilen RNA'ları sıralayıp bu verileri kullanarak hangi genlerin aktif olduğunu tanımlamaya kadar çeşitlilik gösterebilir. Toplu olarak, bu çalışmalar gen aktivitesini farklı biyolojik durumlarla ilişkilendiren geniş ama eksik bir resim sunar. Bu, henüz test edilmemiş koşullar altındaki gen aktivitesi hakkında tahminler yapacak bir yapay zekayı eğitmek için kullanılabilecek bir resimdir.
Araştırmacılar, bu tür gen aktivitesi verileri üzerinde eğitilmiş, 'tek hücreli temel modeller' olarak adlandırılan bir dizi yapay zeka modelini test ettiler. 'Tek hücreli' ifadesi, bu modellerin bir hücre tipinin ortalamasından ziyade bireysel hücrelerden elde edilen gen aktivitesi verileri üzerinde eğitildiğini gösteriyor. Temel modeller ise geniş bir veri yelpazesi üzerinde eğitilmiş olmalarına rağmen, belirli bir görev için kullanılmadan önce ek eğitime ihtiyaç duyarlar.
Beklentilerin Altında Kalan Performans
Bu çalışmadaki görev, genlerin değiştirildiğinde gen aktivitesinin nasıl değişebileceğini tahmin etmektir. Bireysel bir genin kaybolması veya aktive olması durumunda, yalnızca o gen tarafından üretilen mesajcı RNA'nın değişmesi mümkündür. Ancak bazı genler, bir dizi başka geni düzenleyen proteinleri kodlar. Bu durumda, düzinelerce genin aktivitesinde değişiklikler görebiliriz. Diğer durumlarda ise, bir genin kaybı veya aktivasyonu, bir hücrenin metabolizmasını etkileyerek gen aktivitesinde yaygın değişikliklere yol açabilir.
İki genin dahil olduğu durumlarda işler daha da karmaşık hale gelir. Birçok durumda, genler ilgisiz işlevlere sahip olur ve basit bir toplamsal etki gözlemlenir: bir genin kaybıyla oluşan değişiklikler, diğer genin kaybıyla oluşan değişikliklere eklenir. Ancak işlevler arasında bir örtüşme varsa, bazı değişikliklerde artış, bazılarında baskılanma ve diğer beklenmedik değişiklikler meydana gelebilir.
Bu etkileri araştırmaya başlamak için araştırmacılar, CRISPR DNA düzenleme teknolojisini kullanarak bir veya daha fazla genin aktivitesini kasıtlı olarak değiştirdiler. Ardından, ne tür değişikliklerin meydana geldiğini görmek için hücredeki tüm RNA'ları sıraladılar. Bu yaklaşımla (Perturb-seq olarak adlandırılır), değiştirilen genin hücredeki işlevi hakkında bir fikir edinmek mümkün olur. Ancak araştırmacılar için bu, bu temel modellerin diğer genlerin aktivitesindeki sonraki değişiklikleri tahmin etmek üzere eğitilip eğitilemeyeceğini belirlemeleri için gerekli veriyi sağlar.
Temel modellerle başlayan araştırmacılar, CRISPR kullanılarak tek bir genin veya iki genin aktive edildiği bir deneyden elde edilen verileri kullanarak ek eğitimler gerçekleştirdiler. Bu eğitimlerde, 100 bireysel gen aktivasyonundan ve 62 çift gen aktivasyonundan elde edilen veriler kullanıldı. Ardından, yapay zeka paketlerinden 62 çift genin aktive edildiği sonuçları tahmin etmeleri istendi. Karşılaştırma için, araştırmacılar ayrıca iki son derece basit model kullanarak tahminler yaptılar: biri her zaman hiçbir şeyin değişmeyeceğini tahmin eden, diğeri ise her zaman toplamsal bir etkiyi (yani A ve B genlerini aktive etmenin, A genini aktive etmenin neden olduğu değişiklikler artı B genini aktive etmenin neden olduğu değişiklikleri üreteceği anlamına gelir) tahmin eden modeller.
Ancak sonuçlar beklenen gibi olmadı. Araştırmacılar, "Tüm modellerin tahmin hatası, toplamsal temel çizgisinden önemli ölçüde yüksekti" sonucuna vardılar. Bu sonuç, araştırmacılar yapay zekanın tahminlerinin doğruluğu için alternatif ölçümler kullandıklarında da geçerli kaldı.
Sorunun özü, eğitilmiş temel modellerin, gen çiftlerinin değişikliklerinin karmaşık desenler oluşturacağı durumları - yani bir genin değişikliğinin ikincisiyle sinerji oluşturacağı durumları - tahmin etmede çok başarılı olamaması gibi görünüyordu. Araştırmacılar, "Derin öğrenme modelleri nadiren sinerjistik etkileşimler tahmin etti ve bu tahminlerin doğru olması daha da nadirdi" sonucuna vardılar. Özellikle genler arasındaki sinerjilere bakan ayrı bir testte, modellerin hiçbirinin her zaman değişiklik olmadığını tahmin eden basitleştirilmiş sistemden daha iyi olmadığı ortaya çıktı.
Henüz O Seviyede Değil
Çalışmanın genel sonuçları oldukça nettir. Araştırmacılar, "Kasıtlı olarak basit olan temel modellerimiz biyolojik karmaşıklığı gerçekçi bir şekilde temsil edemezken temel modeller tarafından geride bırakılmadılar" diyerek, "bu nedenle, hücresel durumların genellenebilir bir temsilini sağlama ve henüz gerçekleştirilmemiş deneylerin sonuçlarını tahmin etme hedeflerinin hala elde edilemez olduğunu" belirtiyorlar.
Burada 'elde edilemez' kelimesinin, bu soruna yardımcı olabilecek bir yapay zeka geliştiremeyeceğimiz anlamına gelmediğini vurgulamak önemlidir. Ayrıca, bu durumun tüm hücresel durumlar (sonuçlar gen aktivitesine özgüdür) ve hele biyolojinin tamamı için geçerli olduğu anlamına da gelmez. Aynı zamanda, yapay zekanın birkaç alandaki başarısının, her şeye uygulanabilecek bir dünyanın eşiğinde olduğumuz fikrine dair büyük bir coşku olduğu bir zamanda, bu çalışma değerli bir uyarı sağlıyor.
