Stanford araştırmacıları, üretici yapay zekâ modeli Evo 2 tarafından oluşturulan DNA dizilerinden yola çıkarak yaklaşık 300 bakteriyofaj sentezledi. Laboratuvar aşamasında bu adaylar arasından E. coli’yi öldürme konusunda özellikle güçlü performans gösteren 16 faj öne çıktı. Çalışma, yapay zekânın yalnızca mevcut diziler üzerinde küçük düzenlemeler önermesinin ötesine geçip, baştan sona işlevsel viral genomlar tasarlayıp tasarlayamayacağını sınaması açısından dikkat çekiyor.
Projenin merkezinde bacteriophage ΦX174 yer alıyor. Araştırmacılar bu adı “FYE-ex-1-7-4” şeklinde telaffuz ediyor. Stanford’da kimya mühendisliği alanında görev yapan Brian Hie, Evo 2 modelini geliştiren isimlerden biri olarak çalışmanın başında yer alırken, deneysel kısmın yürütülmesinde biyomühendislik yüksek lisans öğrencisi Samuel King öne çıkıyor. Ekip, modelin küçük bir başlangıç DNA parçasından yeni diziler türetebilme yeteneğini, kompakt yapısı sayesinde yönetilebilir bir test platformu sunan ΦX174 üzerinde değerlendirdi.
Evo 2’nin burada üstlendiği görev, bir faj genomunun küçük bir bölümünü girdiye alıp devamını üretmekten ibaret değildi. Araştırmacılar modelden tüm ΦX174 genomunu soldan sağa tek geçişte, baştan sona oluşturmasını istedi. Bu yaklaşım, modelin sadece yerel varyasyonlar önermesinden daha iddialı bir hedefe işaret ediyor. Ortaya binlerce aday genom çıktı; ancak bu adayların doğrudan laboratuvara taşınması yerine, araya ek hesaplamalı eleme ve değerlendirme adımları kondu.
ΦX174’nin seçilmesinin önemli nedenlerinden biri genom boyutu. Bu fajın genomu 6.000’den az baz çifti içeriyor. Karşılaştırma için insan genomu yaklaşık 3 milyar baz çifti seviyesinde. Buna rağmen birkaç bin karakterlik bir DNA dizisini gen gen yorumlamak hâlâ zor bir problem. Araştırma bu nedenle yalnızca yeni diziler üretmekle ilgili değil; aynı zamanda hangi dizilerin biyolojik olarak yaşayabilir ve işlevsel olabileceğini anlamaya dönük bir tasarım ve doğrulama süreci de içeriyor.
Samuel King, senteze gönderilecek aday genom sayısını azaltmak için bir hesaplamalı çerçeve geliştirdi. Bu çerçeve, ΦX174 ve onunla ilişkili fajlardan çıkarılan özellikleri kullanarak Evo 2’nin ürettiği dizileri ön değerlendirmeden geçirdi. Amaç, kimyasal DNA sentezinin maliyet ve zaman açısından getirdiği pratik kısıtları yönetmekti. Ekip önce genomları modelle üretti, ardından bunları belirlenen tasarım ölçütlerine göre inceledi, en uygun adayları seçti, bu adayları kimyasal olarak sentezledi ve son olarak laboratuvarda test etti.
Bu nokta, çalışmanın en önemli sınırlarından birini de gösteriyor. Evo 2 binlerce olası genom üretmiş olsa da, işlevsel fajların bulunması tamamen otomatik bir süreç hâline gelmiş değil. Hesaplamalı filtreleme, kimyasal sentez ve laboratuvar deneyleri hâlâ merkezî rol oynuyor. Başka bir deyişle model, olasılık havuzunu genişletiyor ve tasarım sürecine hız kazandırıyor; ancak hangi adayların gerçekten çalıştığını belirlemek için klasik deneysel biyoloji adımları zorunlu olmaya devam ediyor.
Laboratuvar sonuçları içinde özellikle dikkat çeken nokta, Evo 2’nin önerdiği bazı fajların doğal ΦX174’ye kıyasla daha yüksek fitness göstermesi oldu. Haberde bu performans farkının tüm ayrıntılarına girilmiyor, ancak bulgu, modelin sadece “benzer” diziler kopyalamadığını ve işlevsel açıdan güçlü varyantlar da üretebildiğini düşündürüyor. Böylece çalışma, tam uzunlukta ve yaşayabilir viral genom üretiminin pratikte test edildiği bir örnek hâline geliyor.
Araştırmacılar E. coli’yi hedefleyen tek bir fajla yetinmedi. Bunun temel nedeni, bakterilerin tek bir tedavi ajanına karşı direnç geliştirebilmesi. Eğer bakteriler kullanılan tek faj tipine direnç kazanırsa, tedavinin etkisi ciddi biçimde düşebilir. Bu nedenle ekip, genetik olarak birbirinden farklı birden fazla fajı aynı karışımda kullanmanın bakterilerin tüm kokteyle aynı anda direnç geliştirmesini zorlaştırabileceği yaklaşımına yöneldi.
Seçilen 16 fajdan oluşan kokteyl, testlerde doğal ΦX174’ye bağışıklık kazanmış E. coli üzerinde hızlı biçimde direnç engelini aşmayı başardı. Bu sonuç, faj karışımlarının tekli uygulamalara göre daha dayanıklı bir strateji sunabileceğine işaret ediyor. Burada önemli olan, seçilen fajların yalnızca E. coli’yi öldürmesi değil, aynı zamanda bakterinin doğal ΦX174’ye karşı geliştirdiği savunmayı da aşabilmesi. Bu da yapay zekâ destekli genom tasarımının, direnç sorununa karşı alternatif kombinasyonlar oluşturma potansiyelini öne çıkarıyor.
Ekip, benzer yaklaşımın gelecekte başka bakterilere yöneltilebileceğini de belirtiyor. Olası hedefler arasında methicillin-resistant Staphylococcus aureus yani MRSA bulunuyor. Bir diğer örnek ise hastane kaynaklı dirençli enfeksiyonların önde gelen nedenlerinden biri olarak gösterilen Pseudomonas aeruginosa. Haberde bu patojenlere karşı yeni fajların üretildiği söylenmiyor; ancak yöntemin bir sonraki uygulama alanları olarak bu tür bakterilerin değerlendirildiği açıkça ifade ediliyor.
Çalışmanın dikkat çeken bir başka yanı da Evo 2’nin açık kaynak olarak yayımlanmış olması. Araştırmacılar modeli indirip kendi genom tasarım çalışmalarında kullanabiliyor. Bu karar, bilimsel ilerleme açısından erişimi genişletirken, güvenlik ve kötüye kullanım tartışmalarını da beraberinde getiriyor. Brian Hie, kötü niyetli aktörlerin aracın değiştirilmiş sürümlerini geliştirebileceğini kabul ediyor; buna karşın mevcut patojenlerin daha kolay erişilebilir ve üretilebilir olmaları nedeniyle daha büyük bir risk oluşturduğunu savunuyor.
Hie ayrıca yapay zekâ destekli sistemlerin doğal olarak ortaya çıkan pandemilere yanıt vermede ve insan yapımı biyolojik tehditlere karşı savunma seçenekleri geliştirmede yararlı olabileceğini düşünüyor. Bu değerlendirme, aracın riskleri kadar olası faydalarını da tartışmaya açıyor. Samuel King ise araştırmanın değerini daha doğrudan bir çerçevede tanımlıyor: Evo 2’nin sağladığı yaratıcılık sayesinde bilimde yeni kapıların açıldığını vurguluyor. Buradaki “yaratıcılık”, çok sayıda yeni aday dizinin hızlı biçimde üretilebilmesi ve bunların deneysel olarak sınanabilmesi anlamına geliyor.
Bir sonraki aşamada hedef, Evo 2’yi daha uzun ve daha karmaşık DNA dizilerine uygulamak. Şu anki çalışma nispeten küçük bir faj genomu üzerinde yapılmış durumda. Daha büyük genomlara geçiş, hem modelleme hem de doğrulama tarafında ek zorluklar getirecek. Bunun yanında küçük bakteriyel genomlar da olası hedefler arasında yer alıyor. Bu tür genomlar, kimyasal maddeler, ilaçlar veya yakıt üretmek üzere tasarlanmış mühendislik ürünü mikropların geliştirilmesinde kullanılabilir.
Önümüzdeki dönemde çözülmesi gereken temel teknik sorular ise iki başlıkta toplanıyor: daha yüksek genetik yenilik üretmek ve ortaya çıkan sonuçları daha iyi kontrol edebilmek. Yapay zekâ modeli yeni genomlar önerebiliyor, ancak bu yeniliğin ne ölçüde güvenli, öngörülebilir ve istenen biyolojik işlevlerle uyumlu olduğu hâlâ kritik önem taşıyor. Stanford ekibinin çalışması, yapay zekâ ile biyomühendisliğin kesişiminde önemli bir adım sunuyor; fakat aynı zamanda bu alanın dikkatli deneysel doğrulama ve sıkı güvenlik değerlendirmeleri gerektirdiğini de net biçimde gösteriyor.
