Yapay Zeka Yöntemi DNA’dan Genomik Modellerin Öğrendiklerini Ortaya Çıkarıyor ve Gizli Deneysel Önyargıyı Açığa Çıkarıyor

Stowers Institute for Medical Research’taki araştırmacılar, DNA’dan derin öğrenme modelinin ne öğrendiğini baz baz gösteren bir yorumlama yöntemi geliştirdi ve bunu genomik verilerdeki gizli deneysel önyargıyı ortadan kaldırmak için kullandı. Bu yöntem, Ağustos 2026’da Nature Communications dergisinde yayımlanan bir makalede tanımlanmış ve enstitünün 25 Ağustos 2026 tarihli duyurusunda duyurulmuştur.

İfade‑fonksiyon sinir ağları ham DNA’yı girdi olarak alır ve genomik deneylerin çıktısını, transkripsiyon faktörü bağlanmasından nükleozom organizasyonuna kadar tahmin eder. Ancak bu ağların size genellikle söyleyemediği şey, bir tahmini neden yaptıklarıdır. PISA, “pairwise influence by sequence attribution” (dizi atıfıyla ikili etki) ifadesinin kısaltmasıdır ve bir modelin belirli bir genomik konumdaki tahminini, o tahmini etkileyen tüm diğer bazlara geri izleyerek, modelin sadece ne tahmin ettiğini değil, ne öğrendiğini tek‑baz çözünürlükte iki boyutlu bir harita olarak sunar.

Bu çalışma, Stowers’ta Julia Zeitlinger liderliğinde, Stanford Üniversitesi’nden Anshul Kundaje ile iş birliği içinde yürütülmüş ve Stowers AI Bursiyeri Charles McAnany ilk yazar olarak yer almıştır. PISA, laboratuvarın BPNet’in en yeni uzantısı olan BPReveal içinde çalışır; BPNet, ekibin 2021’de ilk geliştirdiği bir derin öğrenme çerçevesidir.

PISA Deneysel Önyargıyı Biyolojiden Nasıl Ayırıyor

Ekip, PISA’yı nükleozomları haritalayan, DNA’nın histon proteinleri etrafında sarılmasıyla oluşan yapıları gösteren yaygın bir test olan MNase-seq’e uyguladı. Bu test, açık DNA’yı kesen ancak nükleozom tarafından korunan DNA’yı bozmayan bir enzim kullanır; ancak enzim bazı dizileri diğerlerine tercih eder. Bu nedenle veriler iki üst üste gelen sinyal içerir ve model her ikisini de öğrenir.

Önceki yorumlama araçları her bazın etkisini tek bir değerde topladığı için pozitif ve negatif etkiler birbirini götürüp kaybolabilir. PISA, bilgiyi tam çözünürlükte tutar ve bu çözünürlükte enzimin dizi tercihleri haritalarda belirgin bir parmak izi olarak ortaya çıkar. Ekip bu imzayı matematiksel olarak çıkardı, sadece önyargı üzerine ayrı bir model eğitti ve bunu çıkardı; böylece yalnızca biyolojiyi öğrenen ikinci bir model kaldı.

“Bu, süper çözünürlüklü mikroskopiye biraz benziyor,” dedi Zeitlinger enstitünün duyurusunda. “Önceki yorumlama yöntemleri bile kara kutuyu açtı. Sonra daha fazlasını görebileceğinizi fark ediyorsunuz. Pikseller ekliyorsunuz ve birden önce göremediğiniz şeyleri görmeye başlıyorsunuz.”

Temiz Veride Saklı Olan Sürpriz

Önyargı‑düzeltmesi yapılmış model içinde, PISA nükleozomların konumlandırılmasına yardımcı olan DNA dizilerini ortaya çıkardı; etkileri her iki yönde yüzlerce baz çifti uzanıyordu. Birçoğu asimetrikti ve bir tarafı diğerinden farklı etkiliyordu. Bu asimetriyi izlemek ekipleri kromatin bölge sınırlarına götürdü; bu sınırlar hangi düzenleyici dizilerin hangi genlere ulaşabileceğini belirler. Bu sınırlar genellikle büyük bir dizileme derinliği gerektiren 3B kromatin yöntemleriyle haritalanır; model, sadece nükleozom verilerinden binlercesini ortaya çıkardı ve makaleye göre, 3B verilerin izin verdiğinden daha hassas bir şekilde tespit etti.

Ekip, daha sonra biyoloji odaklı modelleri kullanarak nükleozomları belirli konfigürasyonlarda düzenleyeceği öngörülen sentetik DNA dizileri tasarladı ve bu tasarımların bir alt kümesini deneysel olarak test etti. Tahminler doğrulandı; bu, modelin öğrendiği kuralların yalnızca mevcut verileri tanımlamak yerine test edilebilir hipotezler üretebileceğinin bir kanıtıdır.

Bu çalışma, giderek daha büyük dizi modellerine yoğun yatırım yapılan bir alana giriyor. Google DeepMind’ın 2026’da yayımlanan ve PISA makalesinin girişinde atıf yapılan AlphaGenomei, genom genelinde düzenleyici varyantların etkilerini tahmin eder. PISA, tamamlayıcı sorunu ele alır: bir model bu tahminleri yaptıktan sonra, hangi dizi özelliklerini gerçekten kullandığını anlamak. Yöntem, zaten Zeitlinger laboratuvarının dışına yayılmış; bir iş birliği sayesinde ayrı bir yazılım paketinde uygulanmış ve Stowers nörobilimcisi Neşet Özel tarafından farklı bir biyolojik soruya yönelik benimsenmiştir.

PISA Sayılarla

• 2021 – BPNet derin öğrenme çerçevesi, PISA’nın temeli, ekip tarafından ilk geliştirildi
• 8 Nisan 2025 – PISA ön baskısı ilk olarak bioRxiv‘de yayınlandı
• Ağustos 2026 – hakemli yayın Nature Communications’da
• Yüzlerce baz çifti – modellerin ortaya çıkardığı tek tek nükleozom‑konumlandırma dizilerinin erişim mesafesi
• Binlerce – sadece nükleozom verilerinden tanımlanan kromatin bölge sınırları

Yazarların Belirttiği Sınırlamalar

Bu bir yöntem ve genomik makalesidir ve hastalıkla ilgili önemi bir yön, sonuç değildir. Hastalıkla ilişkili genetik varyasyonların çoğu genlerde değil, düzenleyici DNA’da bulunur ve Zeitlinger, bir varyantı bağlanma bölgesine ya da bölge sınırına yerleştirmenin bir mekanizma önerdiğini ancak bir ilaç üretmediğini açıkça belirtir. Çalışma ayrıca hem derin öğrenme hem de deneysel biyoloji konusunda yetkin bir laboratuvar gerektirmiştir; Zeitlinger, bu çift uzmanlığı alanın kalıcı eksikliği olarak, hesaplama gücünden ziyade tanımlamaktadır.

Tasarım edilen DNA dizileri yalnızca deneysel olarak test edilen bir alt küme için doğrulandı ve makalenin önyargı düzeltme gösterimi MNase-seq’ye özgüdür; yazarlar PISA’nın çeşitli veri tiplerine uygulandığını gösterse de. Ön baskının revizyon geçmişi, kromatin bölgesi analizinin hakem incelemesi sırasında, 5 Ocak 2026’da yayınlanan revize edilmiş bir sürümden sonra eklendiğini gösterir.

Bu çalışma artık, genomik modellerin eğitim verilerinden neyi absorbe ettiğini denetlemenin, deneyden gelen ve biyolojiden gelen kısımları ayırmanın ve yaşam sistemlerine karşı tasarlayıp test edebilecek kadar kesin dizi kurallarını çıkarmanın bir yolunu ortaya koymaktadır.