BİYOLOJİK DEVRE DAVRANIŞLARINI TAHMİN EDEN MAKİNE ÖĞRENMESİ GELİŞTİRİLDİ
Tahmin edilmesi güç olan gen düzenlemesi yapılmış bakterilerin karmaşık değişkenleri arasındaki ilişkileri modelleyebilen bir makine öğrenme algoritması geliştirildi.
Yapay sinir ağları, biyolojik devrelerin karmaşık yapılarını aydınlatmak için devrelerin modelleme sürelerini azalttı. Duke Üniversitesi’nden bir grup biyomedikal mühendis, normalde tahmin edilmesi güç olan gen düzenlemesi yapılmış bakterilerin karmaşık değişkenleri arasındaki ilişkileri modelleyebilen bir makine öğrenimi geliştirdiler. Geliştirdikleri bu makine öğrenme algoritmasının, biyolojik pek çok sistem için genellenebilir nitelikte olmasıyla dikkat çekiyor. Yapılan bu yeni çalışmada araştırmacılar, sinir ağlarını eğiterek bakteri kültüründeki biyolojik devrenin dairesel desenini tahmin edebilmesini amaçladılar. Bu sistem, mevcut hesaplama modelinden 30,000 kat daha hızlı çalıştı.
Araştırmacılar, verinin doğruluğunu test etmek için öğrenme sonuçlarını karşılaştıracak bir öğrenme modelini geliştirdiler. Algoritmayı, farklı hesaplama tekniği gerektiren ikinci bir biyolojik sistemde kullanarak sonuçları gözlemlediler. Bu sayede algoritmanın farklı hesaplama sistemlerinde başarılı bir şekilde çalıştığını ispatlamış oldular ve çalışmanın sonuçları 25 Eylül’de Nature Communications Dergisi’nin internet sitesinde yayınlandı.
Duke Üniversitesi’nde görev yapan biyomedikal mühendisi Prof. Lingchong You; “Buna benzer bir çalışma, Google’a sinir ağlarının eğitildikten sonra insanları bir masa oyunu olan AlphaGo’da yenebileceğini gösterdi ve bu Google’a gelecek çalışmalar için ilham kaynağı oldu. Oyunun basit kuralları olmasına rağmen bilgisayarın en iyi hamleyi seçmesi pek çok etkene bağlıydı. Bizler de, bu gelişmelerin bilmediğimiz biyolojik olayların aydınlatılmasında yararı olup olamayacağını merak ettik’’ dedi. Prof. Lingchong You ve çalışma arkadaşı Shangying Wang’in en çok zorlandıkları nokta; gen düzenlemesi yapılmış bir devrenin, bakteri kültüründe hangi parametreler ile spesifik bir model üretebileceğinin belirlenmesiydi.
Önceki bir çalışmada You ve ekibi, kültürün büyüme özelliklerine bağlı olarak halka oluşturan ve etkileşime giren proteinler üretmek için bakterileri programlamışlardı. Araştırmacılar, büyüme ortamının büyüklüğü ve sağlanan besin miktarı gibi değişkenlerin; halkanın kalınlığını, uzunluğunu ve diğer özelliklerini etkilediklerini buldular. Çok sayıda potansiyel değişkenin düzenlendikleri takdirde, iki ya da üç halkalı yapılar oluşturabileceklerini keşfettiler. Ancak tek bir bilgisayar simülasyonu beş dakika sürdüğü için sonuçları gözlemlemek pek de pratik olmadı.
Bakteri çalışması için kurulan sistem; büyüme, diffüzyon, protein bozulması ve hücresel hareket oranları gibi 13 değişkenden oluşuyordu. Parametre başına altı değer hesaplamak, tek bir bilgisayar için 600 yıldan daha uzun zaman alıyordu. Paralel bir bilgisayar kümesi, bu hesaplamayı ancak birkaç ay gibi yine uzun bir zamanda yapabiliyordu. Makine öğrenmesi ile bu süre birkaç saate indirildi.
Wang, orijinal modelden çok daha hızlı bir şekilde tahmin yapabilen derin sinir ağı (deep neural network) denilen bir makine öğrenme modeli geliştirdi. Bu derin sinir ağı; model değişkenleri girdi olarak alır, başlangıçta rastgele eğilimleri verir ve bakteri kolonisinin hangi deseni oluşacağına dair bir tahmin ortaya koyar. Bu işlemde ara adımları tamamen atlayıp sonuca ulaşır. Eğer sonuçlar, doğru yanıttan çok uzaksa eğilimler her seferde değiştirilerek sinir ağı tekrar eğitilebilir. Bir sinir ağının, yeterli eğitimden sonra daima doğru tahminler yapması mümkündür.
Sen ve Wang, makine öğrenmesinin yanlış sonuçlar verdiği birkaç örneği incelemek için sistemi hızlı kontrol etmenin bir yolunu buldu. Her sinir ağı için, öğrenme süreci rastgele bir öğe içerir ve böylece aynı cevaplar kümesi üzerinde eğitilmiş olsa bile sinir ağı, bir girdiyi iki kez aynı yoldan öğrenmez. Araştırmacılar dört farklı sinir ağını eğitti ve farklı şartlardaki sonuçları karşılaştırdılar. Benzer tahminleri yapacak şekilde eğittikleri zaman, doğru yanıta çok yakın sonuçlar aldıklarını gördüler.
Araştırmacılar biyolojik sistemler üzerinde çalışırken makine öğrenme modelini kullanmaya karar verdiler. Sinir ağını eğitmek için kullanılan 100.000 veri simülasyonundan sadece bir tanesi üç halkalı bir bakteri kolonisi üretti. Sinir ağının hızı sayesinde Sen ve Wang daha fazla üç halkalı yapı bulmakla kalmayıp, aynı zamanda hangi değişkenlerin halka yapısını oluşturmak konusunda daha önemli olduğunu belirlediler. Wang, “Sinir ağı, ortaya çıkarılması mümkün olmayan değişkenler arasındaki etkileşimleri bulabiliyordu” dedi.
Çalışmalarının son basamağında, Sen ve Wang yaklaşımlarını rastgele çalışan bir biyolojik sistem üzerinde denediler. En doğru sonuca ulaşmak için aynı parametreleri birçok kez tekrarlayan bir bilgisayar modelini gerekti. Araştırmacılar yaklaşımlarının karmaşık birçok biyolojik sistemi kapsadığını söyledi. Yeni yaklaşımlarını daha karmaşık biyolojik sistemler üzerinde kullanmak istiyorlar. Ekibin sıradaki hedefi algoritmanın verimini arttırmak ve daha hızlı GPU’lu bilgisayarlarda çalıştırmanın yollarını bulmak.
You; “Sinir ağını 100.000 veri seti ile eğittik fakat bu aşırı yüklemeye de neden olabilirdi. Sinir ağının, simülasyonlar ile eş zamanlı etkileşim kurarak sistemi hızlandırabileceği bir algoritma geliştiriyoruz. İlk hedefimiz nispeten basit bir sistemdi. Şimdi bu sinir ağı sistemleriyle daha karmaşık biyolojik devrelerin temel dinamikleri aydınlatmak istiyoruz” diyor.
Hazır olanın kolay tedariki konusunda kullanılan bu deyimimiz armudun ve diğer bitkilerin, hatta doğanın insana ve insan yaşamına katkıları hakkında da ipucu verir. Nitekim bitkiler ve doğanın her parçası insan yaşamını kolaylaştıran unsurlarla doludur.
İnsanoğlu asırlardır tarım yapmakta ve armut bitkisi de tarımda yararlandığı onlarca bitkiden yalnızca biridir. Armudun sulu ve etli meyvelerini farklı çeşitler elde ederek üretebilmeyi, yetiştirmeyi öğrenebilmiş bir türdür insan.
Armudun (ve diğer bitkilerin de) meyveleri -bazı bitkisel hormonlar (fitohormonlar) aracılığıylaolgunlaştığında (piştiğinde) ana bitkiden düşmek üzere kopar. Bunun sebeplerinden ilki tohum (meyvelerin çekirdekleri) dağılımının sağlanması, ikinci sebep ise; meyvenin olgunlaştıkça dalına (pedisel) ağır gelmesidir. İnsanlar da doğadan aldıkları bu dersi hayatlarına yansıtarak hazır olmayandan ziyade hazır olanı talep etme hususlarında bu deyimi kullanma gereksinimi duyarlar. Ne var ki insanoğlu olarak doğadaki hemen her şeyin hazırına konmaktayız. Doğal olan, doğadan soframıza veya hayatımızın diğer alanlarına gelen hemen her şey aslında bize hazır gelir.
Örneğin; tüm hücrelerin zarları, genler, dişler, kemikler ve enzimler için gerekli olan aynı zamanda kibritin yanmasını da sağlayan bir element olan fosfor gezegenimizde bolca bulunur. Fakat yalnızca bitkiler fosfat adı verilen ve sınırlı miktarda bulunan bileşikleri kullanabilir. Yani fosforun alımını bakteriler ve mikoriza mantarları tarafından desteklenen bitkilere borçluyuz.
Bir diğer hazır olan -bitkiler aracılığıylafakat atıl kalan element ise azottur. Azot toprağın verimliliğindeki temel elementtir (bu yüzden çoğu gübre azot bileşiklerini temel alır) ve soluduğumuz havanın yüzde sekseni azot gazıdır. Bu da bitkiler ve azot bağlayan bakteriler dışında hiçbir canlı tarafından kullanılamaz.
Fakat ‘fosfor’u hazır alan insanoğlu deterjanlara koyarak kanalizasyon sistemleri üzerinden göllere akıtıp, oradan da çiftliklerden gelen -yine hazır alınan- ‘azot’lu gübreyle karıştırarak tatlı sularda ‘bakteri patlamasına’ sebebiyet verir. Bu da sularda yaşayan diğer canlıların yaşamına olumsuz şekilde sirayet eder. Bu zararı önlemek veya en aza indirgemek için payımıza armudun (burada fosfor ve azot) pişip ağzımıza düşmesinin karşılığı olarak fosfor içermeyen deterjanlar ve organik gübreler kullanmak düşer.
Yukarıda doğadan hazır olarak aldığımız elementlerden -örnek olması açısındanyalnız ikisine değinilmiştir. Oysaki biz insanlar oksijenden potasyuma kadar birçok elementi doğadan hazır alırız. İnsanoğlu olarak doğadan hazır şekilde aldıklarımızın karşılığını verebilmeyi, ekolojik olarak aldığımızı yerine koyabilmeyi öğrenmemiz ve uygulamamız gerekmektedir.
• Kaynaklar:
• Callenbach, E. 2008. Ecology-A Pocket Guide (Ekoloji-Cep Rehberi). Sinek Sekiz YayınlarıSürdürülebilir Yaşam Kitapları. 2. Basım, Kaliforniya. (Çeviri: Egemen Özkan, Basım Yeri: İstanbul, 2011).
• Mancuso, S., Viola, A. 2017. Bitki Zekâsı (Verde Brillante). Yeni İnsan Yayınevi, 2.Baskı, İstanbul. (Çeviren: Almıla Çiftçi). • Bilimoloji
Abdi İbrahim Medikal Direktörlüğü, tüm dünyada diyabet ile ilgili farkındalığı artırmak amacıyla 14 Kasım Dünya Diyabet Günü’nde hastalıkla ilgili önemli bilgiler paylaştı. İnsülin hormonunun eksikliği veya etkisizliği sonucu ortaya çıkan, kan şekeri yüksekliği ile seyreden, kronik ve ilerleyici bir hastalık olan diyabet; giderek önem kazanan küresel bir sorun. Diyabetin 2040 yılında 10 kişiden 1’inde görülebileceği ön görülen hastalık nedeniyle her 6 saniyede 1 kişi yaşamını yitiriyor.
Her yıl 14 Kasım Diyabet Günü’nde, hastalığa karşı dünya çapında farkındalık yaratarak hastaların toplum içinde bilinçlenmesi amaçlanıyor. Diyabetin; yaşam boyu süren, insülin hormonunun eksikliği veya etkisizliği sonucu ortaya çıkan, kan şekeri yüksekliği ile seyreden, kronik ve ilerleyici bir hastalık olduğunu belirten Abdi İbrahim Medikal Direktörlüğü; hastalığın kontrol edilmediği takdirde kalp damar hastalıkları, böbrek yetmezliği, körlük, sinir hasarı ve diyabetik ayak gibi çeşitli sorunlara yol açabileceğine dikkat çekiyor.
Yapılan açıklamada; Uluslararası Diyabet Federasyonu’nun (IDF) yaptığı tahminlere göre, her 6 saniyede 1 kişinin diyabet hastalığı nedeniyle yaşamını yitirdiği belirtiliyor. 11 yetişkinden biri diyabetle savaşırken, teşhis konulmadığından 2 diyabetli yetişkinden biri (%46,5) diyabetli olduğunu bilmiyor. Küresel sağlık harcamalarının yüzde 12’si, diyabete harcanıyor (673 milyar ABD Doları). Diyabet hastalarının yaklaşık yüzde 75’i düşük ve orta gelir düzeyindeki ülkelerde yaşıyor. Her 7 doğumdan 1’i ise gebelik diyabetinden etkileniyor. Dünyada 542 bin çocuk Tip1 diyabet hastalığı ile yaşarken, IDF tahminlerine göre diyabetin 2040 yılında 10 kişiden 1’inde görülmesi bekleniyor.
ÇOCUKLUK ÇAĞININ EN SIK GÖRÜLEN HASTALIĞI
İnsülinin yokluğu veya etkisizliği sonucu hücre içine giremeyen şeker kanda yükselmeye başlıyor. Tip1 diyabette insülin salgısı hiç bulunmuyor veya yok denecek kadar az olduğundan tedavisinde mutlaka insülin kullanılıyor.
Tip 2 diyabette ise vücut yeterli insülin salgılamıyor. Salgı bozukluğunun yanı sıra insülin direnci de görülüyor. Tip 2 diyabet en sık görülen diyabet türü ve tüm diyabetlilerin yaklaşık yüzde 95’ini oluşturuyor. Diyabet hastalığının en sık görülen belirtileri arasında çok su içmek, sık idrara çıkmak, halsizlik, yorgunluk, konsantrasyon güçlüğü, görme bulanıklığı bulunuyor. Ancak şeker hastalarının yaklaşık yarısı, şeker hastası olduğunun farkına varmadan hayatlarına devam ediyor.
Diyabet, her yaştaki çocukta görülebileceği gibi, çocukluk çağının en sık görülen kronik hastalığıdır. Diyabetli çocukların günlük yaşam düzenini bozmadan spor, oyun, okul faaliyetlerinin yanı sıra insülin enjeksiyonlarını yapması, sağlıklı beslenmesi ve düzenli egzersiz yapması büyük önem taşıyor.
GEBELIK DIYABETI BEBEK IÇIN DE ÖNEMLI
Hamilelikte görülen ve gebeliğin 24. haftasından sonra ortaya çıkan, şeker yüksekliği olarak adlandırılan gestasyonel diyabet; genellikle gebelik bittikten sonra sonlanıyor ve kan şekeri normal düzeye ulaşıyor. Uzmanlar; kan şekeri yüksekliğinin gebelikte görülmesinin özellikle bebeğin sağlıklı gelişimi açısından büyük önem taşıdığına vurgu yapıyor ve giderek artan bu global sorunun önüne geçmede farkındalık düzeyinin ve bilinçlenmenin artırılmasında, eğitim ve korunmanın oldukça önemli faktörler olduğuna işaret ediyor.
Aynı zamanda diyabetin tamamen iyileştirici bir tedavisi olmasa da kontrolü ile günlük faaliyetleri, sosyal etkinlikleri etkilemeden yaşanabileceğinin altını çiziyor. Hekimlerin önerdiği uygun ilaçları kullanmak, kaliteli bakım, iyi tıbbi beslenme ile aktif ve sağlıklı bir hayat mümkün. Bu önerilere uyulması halinde komplikasyon gelişme riski de en aza iniyor.