Makine Öğrenimi (ML) ve Hücre Analizi
Doktora öğrencisi Xinyi Zhang, çok modlu veri çağında hücreleri analiz etmek için hesaplamalı araçlar geliştiriyor…
Bu tür araçlar, biyoinformatik ve hesaplamalı biyoloji alanlarında önemli bir rol oynuyor. Zhang’in çalışmaları, hücrelerin davranışlarını anlamak, açıklamak ve tahmin etmek için büyük veri setlerini makine öğrenimi ile analiz etmeye odaklanıyor…
Yaşam bilimleri, görüntüleme, genom bilimi ve diğer teknolojilerdeki son gelişmelerle veri açısından zenginleşiyor. Örneğin, bir biyolog Alzheimer hastalarının beyin dokusundan alınan hücreleri incelerken hücrenin türü, ifade ettiği genler, doku içindeki konumu gibi birçok özelliği araştırabilir. Hücreler artık aynı anda farklı türde ölçümlerle deneysel olarak incelenebilirken, verilerin analizinde bilim insanları genellikle aynı anda yalnızca tek bir ölçüm türüyle çalışabiliyor.
“Çok modlu” verilerle çalışmak, yeni hesaplama araçları gerektiriyor ve Xinyi Zhang da tam bu noktada devreye giriyor. Zhang, özellikle derin öğrenme ve FPGA (Field-Programmable Gate Array) tasarımı konularında uzmanlaşmış bir araştırmacıdır. Bu alanlarda yaptığı çalışmalar, çok modlu verilerin işlenmesi ve analiz edilmesi için yenilikçi çözümler sunmaktadır.
MIT’de dördüncü sınıf doktora öğrencisi olan Zhang, geleneksel yöntemlerin sınırlı kaldığı alanlarda temel biyolojik ilkeleri anlamak için makine öğrenimi ile biyoloji arasında köprü kuruyor. MIT Profesörü Caroline Uhler’in Elektrik Mühendisliği ve Bilgisayar Bilimleri Bölümü’ndeki laboratuvarında, Bilgi ve Karar Sistemleri Laboratuvarı’nda ve Veri, Sistemler ve Toplum Enstitüsü’nde çalışıyor. Ayrıca, Eric ve Wendy Schmidt Merkezi’ndeki araştırmacılarla işbirliği yapıyor. Broad Institute ve diğer yerlerde, hücrelerin düzenleyici mekanizmalarını anlamaya yönelik hesaplamalı çerçeveler ve ilkeler oluşturmaya yönelik birçok çabaya öncülük etti.
Zhang, “Tüm bunlar, hücrelerin nasıl çalıştığını, doku ve organların nasıl işlediğini, hastalıkların neden ortaya çıktığını ve neden bazen tedavi edilebildiklerini, bazen ise edilemediklerini anlamaya yönelik küçük adımlardır,” diyor.
Zhang’ın boş zamanlarında yaptığı aktiviteler de oldukça etkileyici. Enstitüde edindiği hobiler arasında yelkencilik, kayak, buz pateni, kaya tırmanışı, MIT Konser Korosu’nda performans sergilemek ve tek motorlu uçak uçurmak bulunuyor. (Pilot lisansını Kasım 2022'de aldı.)
Zhang, kendinden emin bir ifadeyle, “Sanırım daha önce hiç gitmediğim yerlere gitmeyi ve daha önce yapmadığım şeyleri yapmayı seviyorum” diyor.
Danışmanı Uhler, Zhang’ın sessiz alçakgönüllülüğünün “her konuşmada” bir sürprize yol açtığını belirtiyor.
Uhler, “Her seferinde ‘Tamam, şimdi uçmayı öğreniyor’ gibi bir şey öğreniyorsunuz” diyor ve devamında, “Bu sadece harika. Yaptığı her şeyi doğru nedenlerle yapıyor. Önem verdiği konularda iyi olmak istiyor ki bence bu gerçekten heyecan verici.” diyor.
Zhang, biyolojiye ilk kez Çin’in Hangzhou kentinde lise öğrencisiyken ilgi duymaya başladı. Biyoloji dersinde öğretmenlerinin sorularına cevap verememesi hoşuna gidiyordu ve bu durum, konuyu çalışılacak “en ilginç” konu olarak görmesine neden oldu.
Biyolojiye olan ilgisi zamanla biyomühendisliğe dönüştü. Ortaokul öğretmeni olan ebeveynlerinin Amerika Birleşik Devletleri’nde eğitim almayı önermesi üzerine, Berkeley’deki California Üniversitesi’nde lisans öğrencisi olarak elektrik mühendisliği ve bilgisayar bilimleri okudu ve bilgisayar bilimlerinde uzmanlaştı.
Zhang, 2020'de mezun olduktan sonra doğrudan MIT’nin EECS Doktora programına başlamaya hazırdı, ancak COVID-19 salgını nedeniyle ilk yılı gecikti. Buna rağmen, Aralık 2022'de Uhler ve diğer iki yazarla birlikte Nature Communications’da bir makale yayınladı.
Makalenin temelleri, ortak yazarlardan biri olan Xiao Wang tarafından atıldı. Daha önce Broad Institute’ta, aynı hücre için birden fazla hücre görüntüleme ve gen ifadesini birleştiren, aynı zamanda hücrenin geldiği doku örneğindeki yerini haritalandıran bir uzaysal hücre analizi biçimi geliştirmek için çalışmıştı. Bu, daha önce hiç yapılmamış bir şeydi.
Bu yeniliğin, çeşitli hastalıkların ilerlemesini izlemenin yeni yollarını sağlamak da dahil olmak üzere birçok potansiyel uygulaması vardı, ancak yöntemin ürettiği tüm çok modlu verileri analiz etmenin bir yolu yoktu. Bu sorunu çözmek için Zhang, bu verileri analiz edebilecek bir hesaplama yöntemi tasarlamaya ilgi gösterdi.
Ekip, görüntüleme yöntemi olarak kromatin boyamaya odaklandı; bu nispeten ucuz ama yine de hücreler hakkında çok fazla bilgi ortaya çıkarıyor. Bir sonraki adım, Wang tarafından geliştirilen mekansal analiz tekniklerini entegre etmekti ve bunu yapmak için Zhang, bir otomatik kodlayıcı tasarlamaya başladı.
Otomatik kodlayıcılar, genellikle büyük miktarlarda yüksek boyutlu verileri kodlayan ve küçülten, ardından dönüştürülen verileri tekrar orijinal boyutuna genişleten bir tür sinir ağıdır. Bu durumda Zhang’ın otomatik kodlayıcısı tam tersini yaparak girdi verilerini alıp daha yüksek boyutlu hale getirdi. Bu, farklı hayvanlardan elde edilen verileri birleştirmelerine ve anlamlı biyolojik farklılıklardan kaynaklanmayan teknik farklılıkları ortadan kaldırmalarına olanak sağladı.
Makalede, STACI olarak kısaltılan bu teknolojiyi, çeşitli mekansal ve görüntüleme teknikleri altında gözlemlendiğinde hücrelerin ve dokuların Alzheimer hastalığının ilerleyişini nasıl ortaya çıkardığını belirlemek için kullandılar. Zhang, modelin herhangi bir sayıda hastalığı analiz etmek için de kullanılabileceğini söylüyor.
Sınırsız zaman ve kaynaklar göz önüne alındığında, hayali insan yaşamının tamamen eksiksiz bir modelini inşa etmek olacaktır. Ne yazık ki, hem zaman hem de kaynaklar sınırlıdır. Ancak hırsı öyle değil ve “cevaplayacak araçlara sahip olmadığımız en zorlu soruları” çözmek için becerilerini uygulamaya devam etmek istediğini söylüyor.
Halen birkaç projeyi tamamlamaya çalışıyor; bunlardan biri ön korteks görüntülemeyi analiz ederek nörodejenerasyonu incelemeye, diğeri ise protein dizileri ve kromatin görüntülemeden protein görüntülerini tahmin etmeye odaklanıyor.
Zhang, “Hala cevaplanmamış birçok soru var.” diyor ve ekliyor, “Biyolojik olarak anlamlı, daha önce bilmediğimiz şeyleri anlamamıza yardımcı olacak sorular seçmek istiyorum.”
Austin Chen | MIT News
