KANSERİ TEK BİR HASTALIK GİBİ GÖRMEK NEDEN YETERSİZ?

04 BİYOTEKNOLOJİ VE YAŞAM BİLİMLERİ GAZETESİ EYLÜL - EKİM » 2026 www.biomedya.com KANSERİ TEK BİR HASTALIK GİBİ GÖRMEK NEDEN YETERSİZ? TEK HÜCRE TEKNOLOJİLERİ YENİ BİR HARİTA ÇIKARIYOR Kanser uzun yıllar boyunca tek bir tümör kütlesi üzerinden değerlendirildi. Oysa bugün biliyoruz ki bir tümör, aynı genetik ve biyolojik özellikleri taşıyan hücrelerden oluşan homojen bir yapı değil. Aynı tümörün içinde farklı davranış biçimlerine sahip kanser hücreleri, bağışıklık hücreleri, destek hücreleri ve damar yapıları bir arada bulunabiliyor. Bu çeşitlilik, hastalığın ilerleyişinden tedaviye verilen yanıta kadar pek çok süreci etkiliyor. Tek hücre dizileme teknolojilerindeki gelişmeler, bu karmaşık yapıyı hücre hücre incelemeyi mümkün hale geti- riyor. Özellikle tek hücre RNA dizileme (scRNA-seq), tümör içerisindeki hüc- relerin hangi genleri ne düzeyde ifade ettiğini ayrı ayrı ortaya koyuyor. Böylece daha önce tümörün ortalaması alınarak görülemeyen hücresel farklılıklar görü- nür hale geliyor. Bu yaklaşımın önemli sonuçlarından biri, tümör içerisindeki küçük hücre grup- larının hastalığın seyrinde orantısız derecede büyük bir rol oynayabilece- ğinin anlaşılması. Örneğin bir tümörün büyük bölümünü oluşturan hücreler tedaviye duyarlı olabilirken, sayıca çok daha küçük bir hücre popülasyonu tedaviye direnç, metastaz veya bağışık- lık sisteminden kaçışla ilişkili özellikler taşıyabilir. Geleneksel toplu analizlerde bu küçük grupların etkisi, tümörün genel ortalaması içerisinde kaybolabilir. Tam da bu noktada 2026 yılında yayım- lanan bir çalışma dikkat çekiyor. Cancer Discovery dergisinde yayımlanan araş- tırmada Oregon Health & Science University araştırmacıları, tek hücre verilerini hastaların sağkalım bilgileriyle birlikte değerlendirmek üzere scSurvi- val adlı bir makine öğrenmesi yaklaşımı geliştirdi. Çalışma, tümör örneğini yal- nızca tek bir biyolojik profil olarak ele almak yerine, içerisindeki hücreleri bir arada fakat farklı ağırlıklarda değerlen- dirmeyi amaçlıyor. Araştırmacılar, mela- noma ve karaciğer kanseri gibi kanser türlerinden elde edilen tek hücre RNA dizileme verileri üzerinde yöntemin per- formansını inceledi. Modelin dikkat çekici tarafı yalnızca hastanın genel riskine ilişkin bir tahmin üretmeye çalışması değil. Aynı zamanda hangi hücre alt gruplarının sağkalımla daha güçlü ilişki gösterdiğini belirle- meye çalışıyor. NIH’nin araştırmaya iliş- kin açıklamasına göre model, 150’den fazla kanser hastasına ait klinik veri- ler üzerinde test edildi. Bu, tek hücre verilerinin yalnızca tümörün yapısını tanımlamak için değil, klinik sonuçlarla ilişkilendirilmek üzere de kullanılabile- ceğini gösteren örneklerden biri. HÜCRELER ARASINDAKI FARK NEDEN ÖNEMLI? Bir tümörün içinde yalnızca kanser hüc- releri bulunmuyor. Tümör mikroçevresi olarak adlandırılan yapı; T hücreleri, makrofajlar, fibroblastlar, damar hüc- releri ve çeşitli diğer hücrelerden olu- şuyor. Bu hücreler birbirleriyle sürekli iletişim halinde. Bazıları bağışıklık siste- minin tümöre saldırmasını desteklerken bazıları tam tersine bağışıklık yanıtını baskılayabiliyor. Tek hücre teknolojileri bu nedenle kan- seri yalnızca “hangi gen mutasyona uğramış?” sorusuyla değerlendirmek- ten daha ileri bir noktaya taşıyor. Artık “Bu mutasyon hangi hücrede bulunu- yor?”, “Bu hücre tümörün neresinde?”, “Çevresindeki hücrelerle nasıl iletişim kuruyor?” ve “Tedavi sonrasında hangi hücreler hayatta kalıyor?” gibi sorular da araştırılabiliyor. Bu yaklaşım özellikle tedavi direncini anlamak açısından önem taşıyor. Tedavi öncesinde tümörün küçük bir bölümünü oluşturan dirençli hücrelerin tedavi son- rasında baskın hale gelmesi, hastalığın yeniden ilerlemesinin nedenlerinden biri olabilir. Tek hücre analizleri, bu değişimin hücresel düzeyde izlenmesine olanak sağlayabilir. Bir sonraki aşamada tek hücre dizileme- nin mekânsal bilgilerle birleştirilmesi de önem kazanıyor. Spatial transcriptomics olarak adlandırılan teknolojiler, gen akti- vitesinin yanı sıra hücrelerin dokudaki konumlarını da incelemeye yardımcı oluyor. Çünkü bir bağışıklık hücresinin tümörün içinde bulunması ile tümör hücrelerinden uzakta bulunması biyo- lojik olarak aynı anlama gelmeyebilir. YAPAY ZEKÂ BURADA NE YAPIYOR? Tek hücre teknolojilerinin en önemli sorunlarından biri veri miktarı. Binlerce hatta milyonlarca hücreden elde edilen gen ifade verileri, çok yüksek boyutlu veri setleri oluşturuyor. Yapay zekâ ve makine öğrenmesi yöntemleri, bu veri- ler içerisindeki örüntüleri belirlemek ve klinik sonuçlarla ilişkilendirmek için kullanılabiliyor. scSurvival çalışması bu açıdan önemli bir örnek sunuyor. Model, tek tek hüc-