Genomik ve Kişiselleştirilmiş Tıpta Yapay Zekâ: 2026 İtibarıyla Neyi Başardı, Neyi Başaramadı?

Genom dizilemenin maliyeti düştükçe asıl darboğaz dizinin kendisi değil, onun yorumlanması hâline geldi. Bir insan ekzomunda binlerce varyant bulunur ve bunların büyük çoğunluğu "klinik anlamı belirsiz" (VUS) olarak sınıflanır. Yapay zekâ (YZ) tam da bu boşluğa girdi: hangi varyantın zararlı olduğunu, kimin hangi hastalığa genetik olarak yatkın olduğunu ve hangi hastanın hangi ilaca nasıl yanıt vereceğini tahmin etmeyi vaat ediyor. 2025 ve 2026, bu vaadin bir kısmının laboratuvar düzeyinde somutlaştığı; bir kısmının ise hâlâ kanıt beklediği yıllar oldu. Bu yazı, alanı abartmadan ve dürüst bir "neyi başardı / neyi başaramadı" çerçevesiyle ele alıyor.

Varyant yorumlama: temel modeller sahneye çıkıyor

Bir missense varyantın (proteinde tek bir amino asidi değiştiren mutasyon) zararlı olup olmadığını tahmin etmek, klinik genetiğin en eski problemlerinden biridir. Klasik araçlar (SIFT, PolyPhen) ile başlayan bu çaba, derin öğrenme modelleriyle belirgin biçimde ilerledi. 2025 tarihli kapsamlı bir derleme, izlenebilir bir performans hiyerarşisi ortaya koyuyor: SIFT/PolyPhen ROC-AUC değerleri yaklaşık 0,80–0,83 düzeyindeyken, CADD ve REVEL gibi araçlar ~0,90–0,91'e, DeepMind'ın AlphaMissense modeli ise ~0,94'e ulaşıyor.

AlphaMissense, klinik validasyon çalışmalarında gerçekten güçlü bir performans sergiledi. 59 gende 5.845 missense varyant üzerinde, uzman küratörlerin ACMG/AMP kurallarıyla yaptığı sınıflandırmaya karşı test edildiğinde %92 duyarlılık ve %78 özgüllük elde etti ve incelenen 34 ACMG geninin 26'sında (%77) bir rakip model olan EVE'ye üstün çıktı. Bilgisayar kanıtı bulunmayan VUS'larda, 878 varyantın kanıt ağırlığı değişti.

Ancak madalyonun bir de öteki yüzü var. 2025'te nöromüsküler hastalık tanı ortamında yapılan bağımsız bir değerlendirme, AlphaMissense'in (olası) patojenik olarak bilinen 45 varyantın yalnızca %69'unu doğru sınıfladığını, %22'sini "belirsiz" bıraktığını ve %9'unu yanlışlıkla iyi huylu (benign) olarak işaretlediğini gösterdi. Bu, kritik bir mesajı vurguluyor: bu modeller karar-destek araçlarıdır; ACMG kılavuzlarının yerine geçen kesin sınıflandırıcılar değil. Nitekim bu modellerin doğru kullanımı, ACMG'nin "hesaplama kanıtı" (PP3/BP4) kademesini güçlendirmektir — son sözü değil.

Genomik temel modeller: 2025-2026'nın büyük sıçraması

Belki de bu dönemin en dikkat çekici gelişmesi, "genomik temel modellerin" (foundation models) olgunlaşmasıydı. Arc Institute, NVIDIA ve Stanford iş birliğiyle geliştirilen Evo 2, 40 milyar parametreyle, 1 megabazlık bağlam penceresiyle ve yaşamın üç âleminden 9 trilyondan fazla nükleotid üzerinde eğitildi. Çarpıcı yanı şu: model, DNA dizisinden öğrenerek, göreve özel bir ince ayar yapılmadan — yani sıfır-atış (zero-shot) — varyantların fonksiyonel etkisini öngörebiliyor. BRCA1 varyantlarında deneysel mutasyon tarama verileriyle uyumlu sonuçlar verdiği, hatta klinik olarak sınıflanmamış BRCA1 varyantlarında patojenik/benign ayrımı yapabildiği bildirildi. Evo 2'nin ön baskısı 2025 başında duyuruldu; hakem değerlendirmesinden geçmiş hâli ise 2026'da Nature'da yayımlandı (öncülü Evo 1, 2024'te Science'taydı).

Bir diğer önemli model popEVE, evrimsel veri ile insan popülasyon verisini birleştiren ve proteom genelinde kalibre edilmiş üretici bir yaklaşım. Nature Genetics'te (2025) yayımlanan çalışma, şiddetli gelişimsel bozukluğu olan bir kohortta 442 gende varyant (123'ü yeni aday) saptadı. En klinik açıdan değerli özelliği şu: yalnızca çocuğun ekzomunu kullanarak, ebeveyn dizilemesi olmadan olası nedensel varyantı önceliklendirebiliyor — bu, ailesi taranamayan "singleton" vakalar için gerçek bir kazanım. Benzer şekilde, 2025'te Science'ta yayımlanan büyük bir makine öğrenmesi çalışması, 1,3 milyondan fazla elektronik sağlık kaydı bağlantılı katılımcı verisiyle 31 otozomal dominant gende 1.648 nadir varyantın penetransını (varyantı taşıyanların gerçekte ne sıklıkla hastalanacağını) yeniden tahmin etti.

Buradaki dürüst sınır net olmalı: bu modeller etkileyici biçimde güçlü olsa da, performansları büyük ölçüde deneysel ve benchmark verisinde ölçülmüştür. Evo 2 gibi modellerin prospektif klinik dış-validasyonu henüz yoktur; yani gerçek hastalarda, gerçek karar anlarında sonucu iyileştirdiklerine dair kanıt birikmemiştir.

Poligenik risk skorları: umut ile kanıt arasındaki mesafe

Poligenik risk skoru (PRS), binlerce küçük etkili genetik varyantı tek bir sayıda toplayarak bireyin yaygın bir hastalığa (kalp hastalığı, diyabet, bazı kanserler) genetik yatkınlığını özetler. 2025-2026 dönemi, PRS için gözlemsel verilerin ötesine geçen ilk prospektif adımları getirdi. PROACT çalışmasının ilk 204 katılımcısı (ort. yaş 56; %69 kadın) düşük klinik riske ve iyi kalp sağlığı skorlarına rağmen, yarısında (102/204) subklinik plak taşıyordu — erkeklerde %76, kadınlarda %38. Bu, standart klinik değerlendirmenin gözden kaçırdığı, "sessiz ama genetik olarak yüksek riskli" geniş bir grubun varlığına işaret ediyor. PROACT-2 ise bu kişilerde yüksek doz statin ve düşük doz kolşisinin etkisini çift-kör randomize tasarımla test ediyor.

Yine de tablonun tamamı dengeli okunmalı. European Heart Journal'da 2025'te yayımlanan ESC konsensüs bildirisi — kardiyovasküler hastalıkta PRS için ilk resmî klinik konsensüs — açıkça "umut verici, ancak rutin kullanım için daha fazla randomize çalışma gerekiyor" çerçevesini çiziyor. Kritik nokta şudur: PRS'in sert klinik sonlanımları (kalp krizi, ölüm) gerçekten azalttığı, henüz büyük randomize çalışmalarla kanıtlanmamıştır. Üstelik 2025 tarihli bir randomize çalışma, PRS bilgisini hastaya vermenin fiziksel aktivite veya beslenme gibi davranışlar üzerindeki etkisinin sınırlı ve karışık olduğunu gösterdi — yani "riski bilmek" otomatik olarak "davranışı değiştirmek" anlamına gelmiyor.

Farmakogenomik: kanıtı en sağlam alan

Genomik YZ ve kişiselleştirilmiş tıbbın en net klinik faydasını gösteren alan, biraz şaşırtıcı biçimde, en parlak modellerden değil; farmakogenomikten (PGx) geliyor. Dönüm noktası olan PREPARE çalışması, yedi Avrupa ülkesinde 12 genli bir paneli 39 ilaçla test etti ve genotip-rehberli ilaç/doz seçiminin klinik açıdan anlamlı advers ilaç reaksiyonlarını %30 oranında azalttığını bildirdi (Lancet, 2023). Bu, prospektif ve randomize bir kanıt olması açısından değerlidir. Dürüstlük gereği eklemek gerekir ki, aynı dergide bu çalışmanın metodolojisine yönelik "faydanın belirsiz olduğu" yönünde eleştiriler ve yazarların yanıtları da yayımlandı; etki büyüklüğünün büyük ölçüde orta şiddetteki reaksiyonların azalmasından kaynaklandığı tartışıldı. 2026 itibarıyla bu temel bulgu, akademik hastanelerde elektronik sağlık kaydına entegre, sürdürülebilir gerçek-dünya uygulamalarıyla destekleniyor (Clinical Pharmacology & Therapeutics, 2026).

Kanser genomiği ve düzenleyici çerçeve

Onkoloji, genomik YZ'nin somut klinik entegrasyonunun en ileri olduğu alandır. Mayıs 2026'da FDA, Tempus xT CDx testinin tümör-tek kullanımını onayladı; 648 genli bu doku-tabanlı dizileme testiyle Tempus, hem tümör-tek hem de tümör-normal kapsamlı genomik profillemede eşlik tanısı (companion diagnostic) onayına sahip ilk laboratuvar oldu. Bu, eşleşen normal doku bulunamadığında bile hastanın kolorektal kanserde hedefli tedaviye uygunluğunun belirlenebilmesi demek. Multimodal yaklaşımlar da olgunlaşıyor: histopatoloji görüntüsü ile EHR fenotipini birleştiren bir Transformer modeli (MAIGGT), meme kanserinde BRCA1/2 germline mutasyon ön-taramasında üç bağımsız kohortta 0,83–0,93 AUC'ye ulaşarak genetik teste erişimi genişletme potansiyeli gösterdi (Advanced Science, 2025).

Düzenleyici tarafta ivme gerçektir: FDA, 1995'ten bu yana 1.300'den fazla YZ tabanlı cihazı yetkilendirmiş; yalnızca 2025'te 258 cihazla kurum tarihindeki rekoru kırmıştır. Ancak npj Digital Medicine'da (2025) 1.016 yetkilendirmeyi inceleyen bir taksonomi, bunların ezici çoğunluğunun geleneksel makine öğrenmesi (radyoloji baskın) olduğunu, üretici YZ'nin hâlâ marjinal kaldığını gösteriyor. FDA'nın "Önceden Belirlenmiş Değişiklik Kontrol Planı" (PCCP) kılavuzu ise sürekli öğrenen modellerin her güncellemede yeniden onay almadan güncellenmesine izin vererek genomik YZ için kritik bir kapı açtı.

Sistematik riskler: eşitsizlik ve kara kutu

Tüm bu ilerlemenin üzerine düşen en kalıcı gölge, ataya dayalı yanlılıktır. Genom çapında ilişkilendirme çalışmalarında (GWAS) Avrupa kökenli bireyler, dünya nüfusundaki paylarının yaklaşık 4,5 katı oranında temsil ediliyor; Afrika kökenli popülasyonlar ise olması gerekenin beşte biri kadar. Bu dengesizlik, PRS'lerin farklı atasal kökenlere aktarılabilirliğini düşürüyor; çünkü bağlantı dengesizliği (LD) yapıları ve allel frekansları popülasyonlar arasında değişiyor. All of Us programının 245 binden fazla tüm-genom katılımcısı ve çok-soylu transfer öğrenme yöntemleri (PRS-CSx gibi) bu açığı kapatmaya çalışıyor; en büyük iyileşmenin, tam da çeşitli veriyle eğitildiğinde dışlanmış popülasyonlarda görülmesi manidardır.

Diğer sistematik riskler de göz ardı edilmemeli: modeller farklı kurum, cihaz veya popülasyon verisinde bozulabilir (dağılım kayması); gelişmiş modellerin "kara kutu" doğası ACMG gibi kuralcı kılavuzlarla hizalanmayı zorlaştırır; ve literatürde pozitif/yüksek-AUC sonuçların aşırı temsil edildiği bir yayın yanlılığı mevcuttur. 2025 derlemesinin açık tespitiyle: deneysel validasyon, hesaplama tahminlerinin gerisinde kalıyor.

Sonuç

2026 itibarıyla genomik ve kişiselleştirilmiş tıpta yapay zekânın bilançosu, ne ütopik bir devrim ne de boş bir vaattir; dengeli ve katmanlı bir ilerlemedir. Yapay zekâ, varyant yorumlamada VUS yükünü azaltmaya yardımcı oluyor ve genomik temel modeller, bir DNA dizisinden fonksiyonel etki okuma yeteneğiyle gerçek bir sıçrama yaptı — ancak bunlar karar-destek araçları olarak ve henüz prospektif klinik validasyon olmadan. En sağlam klinik fayda, parlak modellerden değil, farmakogenomikten (PREPARE'in %30 ADR azalması) geliyor; poligenik risk skorları ise umut verici prospektif sinyaller üretse de sert sonlanımlarda hâlâ büyük randomize çalışmaların kanıtını bekliyor. Önümüzdeki dönemin asıl sınavı, bu modellerin teknik AUC değerlerini değil, gerçek hastalarda, gerçek karar anlarında — ve tüm popülasyonlarda eşit biçimde — sonucu iyileştirip iyileştirmediğini göstermek olacaktır. Klinisyenin yargısı, bu denklemde bir "eski yöntem" değil; YZ çıktısını klinik bağlama oturtan vazgeçilmez halkadır.