Bu odaklı anlatısal derleme, ESKAPE patojenlerinde antimikrobiyal direnç ve virülansla ilişkili moleküler hedeflerin yapay zekâ kullanılarak nasıl önceliklendirilebildiğini incelemektedir. ESKAPE patojenleri; Enterococcus faecium, Staphylococcus aureus, Klebsiella pneumoniae, Acinetobacter baumannii, Pseudomonas aeruginosa ve Enterobacter spp.'den oluşan ve sağlık hizmeti ilişkili enfeksiyonlarda antimikrobiyal direnç açısından önemli bir bakteri grubudur. Çalışma, 2016–2026 döneminde PubMed/MEDLINE'da bulunan 277 kaydı taramış, 45 çalışmayı tam metin değerlendirmesine almış ve hedef düzeyinde biyolojik çıkarım sağlayan 16 araştırmayı çekirdek analitik korpus olarak seçmiştir. Derlemenin ana sonucu, yapay zekânın yalnız direnç fenotipi tahmininden genomik belirleyicilerin, düzenleyici ağların, virülans modüllerinin ve terapötik hedeflerin önceliklendirilmesine doğru ilerlediği; ancak çoklu omik entegrasyon, mekanistik yorumlanabilirlik, deneysel doğrulama ve klinik uygulamanın halen sınırlı olduğudur.

Kaynak dört bağlantılı teknolojik katman tanımlar: sekans tabanlı genomik modelleme, transkriptomik ve çoklu omik entegrasyon, ağ ve sistem düzeyi yapay zekâ ve terapötik tasarım için üretici yapay zekâ. Bu çerçevede WGS, SNV, k-mer ve gen var/yok matrisleri direnç belirleyicilerinin önceliklendirilmesinde; RNA-seq verileri düzenleyici yanıtların çözümlenmesinde; gen ve protein ağları fonksiyonel modüllerin bulunmasında; üretici modeller ise yeni küçük molekül ve antimikrobiyal peptit adaylarının tasarlanmasında kullanılmaktadır.

Makalenin temel yorum sınırı, yüksek model doğruluğunun nedensel biyolojik mekanizma veya klinik yarar kanıtı olmadığıdır. Veri kümesi yanlılığı, popülasyon yapısı, coğrafi farklılık, zaman içinde değişen direnç epidemiyolojisi, model drift, deneysel doğrulama eksikliği ve hastane iş akışlarına entegrasyon sorunları klinik translasyonu sınırlar. Bu nedenle yapay zekâ tabanlı hedef keşfinin değeri yalnız tahmin metriğine değil, biyolojik yorumlanabilirliğe, bağımsız doğrulamaya ve gerçek sağlık sistemi içinde sürdürülebilir kullanıma bağlıdır.

ESKAPE patojenleri neden hedef keşfi için kritik bir gruptur?

ESKAPE grubu sağlık hizmeti ilişkili enfeksiyonların önemli bölümünden sorumlu olan ve çok sayıda antimikrobiyal sınıfa direnç geliştirebilen fırsatçı bakterileri kapsar. Bu mikroorganizmaların başarısı yalnız bilinen direnç genlerine sahip olmalarından kaynaklanmaz. Genomik plastisite, mobil genetik elemanlar, değişken gen ekspresyonu, efflux sistemleri, metabolik uyum, biyofilm oluşumu ve virülans düzenleyici ağları terapötik baskıya dinamik yanıt verilmesine katkıda bulunabilir.

Bu nedenle yalnız “hangi izolat dirençli?” sorusunu cevaplamak yeni terapötik geliştirme açısından yeterli değildir. Yeni nesil hedef keşfinde daha derin soru, tahmini oluşturan biyolojik belirleyicinin hangi gen, düzenleyici süreç, protein ağı, metabolik yol veya moleküler hedefle ilişkili olduğudur.

ESKAPE Patojenlerinde Yapay Zekâ ile Hedef Keşfi Neyi Amaçlar?

ESKAPE patojenlerinde yapay zekâ ile hedef keşfi, yalnız antimikrobiyal direnç veya virülans fenotipini tahmin etmek yerine bu fenotipleri açıklayabilecek genleri, genomik bölgeleri, düzenleyici modülleri, işlevsel ağları ve terapötik moleküler hedefleri veri içinden önceliklendirmeyi amaçlar; hedef, tahminden biyolojik olarak yorumlanabilir ve deneysel olarak test edilebilir mekanistik hipoteze ilerlemektir.

Birinci katman: sekans tabanlı genomik modelleme

Sekans tabanlı modellerin girdileri bütün genom dizilemesi (whole-genome sequencing, WGS) verilerinden türetilebilir. Kaynakta gen var/yok matrisleri, tek nükleotid varyantları (single-nucleotide variants, SNV), k-mer ve unitig temsilleri temel veri biçimleri arasında yer alır.

Hyun ve arkadaşlarının yaklaşımı, SVM ile random subspace ensemble stratejisini kullanarak S. aureus, P. aeruginosa ve E. coli genomlarında direnç fenotipiyle ilişkili özellikleri sıralamıştır. Amaç yalnız sınıflandırma yapmak değil, daha sonra araştırılabilecek gen ve genom bölgelerini önceliklendirmektir.

Avershina ve arkadaşlarının AMR-Diag çerçevesi, E. coli ve K. pneumoniae için β-laktamaz ilişkili k-mer temsillerini feed-forward yapay sinir ağıyla kullanmıştır. Neighboring Component Analysis ile yapılan özellik seçimi, model tarafından önemli görülen k-mer sinyallerinin NDM, CTX-M ve TEM gibi β-laktamaz aileleriyle ilişkilendirilmesini sağlamıştır.

Li ve arkadaşları K. pneumoniae'de imipenem direncini öngörmek için Random Forest, lojistik regresyon, SVM, gradient boosting ve XGBoost gibi yöntemleri k-mer tabanlı genom özelliklerine uygulamıştır. Çalışmanın önemi yalnız direnç tahmini değil, bilinen ve daha önce karakterize edilmemiş genomik sinyallerin önceliklendirilmesidir.

Jia ve arkadaşları A. baumannii için WGS verisini gen ekspresyonuyla birleştirmiş ve derin sinir ağlarıyla minimum inhibitör konsantrasyon (MIC) tahmini yapmıştır. Bu örnek, statik genomik değişimin ötesine geçerek transkripsiyonel bilginin model içine katılmasının yeni direnç ilişkili imzalar ortaya çıkarabileceğini göstermektedir.

Mobil genetik elemanların rolü

Kaynakta önceliklendirilen birçok direnç belirleyicisinin plazmidler, transpozonlar ve integronlar gibi mobil genetik elemanlarla ilişkili olduğu belirtilmektedir. Bu yapılar direnç genlerinin aynı bakteri içinde veya bakteriler arasında yatay aktarımına katkıda bulunabilir.

Ancak modelde önemli görülen bir genetik özelliğin doğrudan direnç mekanizması olduğu otomatik olarak varsayılamaz. Bir özellik belirli bir bakteri soyunun göstergesi olduğu için de yüksek önem kazanabilir. Popülasyon yapısı kontrol edilmezse AI modeli mekanistik belirleyici yerine soy veya epidemiyolojik köken işaretini öğrenebilir.

İkinci katman: transkriptomik ve çoklu omik çıkarım

Genomik veriler bakterinin sahip olduğu genetik potansiyeli gösterirken transkriptomik veriler belirli koşullar altında hangi genlerin aktif olduğunu yakalar. RNA-seq profilleri, antibiyotik baskısı, stres, biyofilm gelişimi veya virülans sırasında düzenleyici durumların değişimini inceleme fırsatı verir.

Kula ve arkadaşları P. aeruginosa'da lojistik regresyon, Random Forest, XGBoost ve Naive Bayes kullanarak RNA-seq tabanlı direnç tahmini gerçekleştirmiştir. Diferansiyel ekspresyon ile model özellik öneminin birlikte incelenmesi, yalnız sınıflandırmayı değil dirençle ilişkili transkripsiyonel imzaların belirlenmesini de mümkün kılmıştır.

Yu ve arkadaşları S. aureus transkriptom verisini independent component analysis ile ayrıştırarak Sau-41 adlı küçük RNA'yı virülansla ilişkili düzenleyici aday olarak önceliklendirmiştir. Daha sonra moleküler etkileşim testleri, hemoliz deneyleri ve murin enfeksiyon modeli kullanılarak deneysel doğrulama yapılmıştır. Bu örnek, AI veya hesaplamalı çıkarımın biyolojik mekanizma çalışmasına nasıl bağlanabileceğini göstermektedir.

Proteomik neden henüz çekirdek katmanda değil?

Proteomik, protein miktarını, post-translasyonel düzenlemeyi ve antibiyotik stresine karşı gerçek zamanlı fonksiyonel değişiklikleri ölçebildiği için önemli tamamlayıcı bilgi sağlayabilir. Örneğin membran proteinleri, efflux pompaları ve virülans proteinlerindeki değişim yalnız RNA düzeyinden tam olarak görülemeyebilir.

Bununla birlikte kaynak derlemenin dahil etme ölçütlerine göre mevcut proteomik–ML çalışmalarının önemli bölümü mekanistik hedef keşfinden çok hızlı tanı veya direnç sınıflandırmasına yöneliktir. Bu nedenle proteomik tabanlı çalışmalar çekirdek 16 makale içinde temsil edilmemiştir. Kaynak bunu gelecekteki çoklu omik entegrasyonun önemli boşluklarından biri olarak değerlendirir.

Üçüncü katman: ağ ve sistem düzeyi modelleme

Ağ tabanlı yöntemler tek bir genin önem skorundan daha ileri giderek genler, proteinler ve düzenleyici süreçler arasındaki ilişkileri inceler. Böylece direnç veya virülansın tek bir moleküler belirleyiciden değil, birlikte çalışan fonksiyonel modüllerden doğduğu senaryolar modellenebilir.

Burrows ve arkadaşları Enterobacter pan-genomundaki aksesuar genleri non-negative matrix factorization ile modüllere ayırmış ve “Phylon” adı verilen gen kümelerini ortaya çıkarmıştır. Bu yapı soyla ilişkili ve yatay aktarılabilen özelliklerin pan-genom içindeki organizasyonunu çözmeye yöneliktir.

Kim ve arkadaşları Enterococcus genomlarında lojistik regresyon, Random Forest ve gradient-boosted decision tree modellerini kullanmış; Block HSIC Lasso gibi özellik seçimi yöntemleriyle dirençle ilişkili aday sürücüleri önceliklendirmiştir.

Zhang ve arkadaşları S. aureus'un planktonik büyümeden biyofilm durumuna geçişiyle ilişkili transkriptomik imzaları makine öğrenmesi ve recursive feature elimination ile incelemiştir. Bazı adaylar üre metabolizması ve arginin biyosentezi gibi metabolik yollarla ilişkilendirilmiştir.

Ağ tabanlı modellemenin temel sınırlılığı, biyolojik etkileşim ağlarının eksik ve bağlama bağımlı olmasıdır. Aynı ağ modülü doğrudan nedensel mekanizmayı değil, birlikte değişen genlerin veya popülasyon yapısının oluşturduğu dolaylı ilişkiyi temsil edebilir.

Dördüncü katman: terapötik tasarım için yapay zekâ

AI tabanlı ilaç keşfinde girdi artık yalnız bakteri genomu değildir. Moleküler parmak izleri, kimyasal descriptor'lar, protein yapıları veya peptit dizileri modele girdi olarak kullanılabilir. Modelin görevi antibakteriyel aktivite taşıma olasılığı yüksek molekül veya dizileri geniş aday uzayından önceliklendirmektir.

Derleme, derin öğrenmeyle kimyasal kütüphanelerin taranmasına dayanan halicin çalışmasını alanın önemli örneklerinden biri olarak ele almaktadır. A. baumannii için abaucin adlı dar spektrumlu antibiyotik adayının bulunması da patojene özgü AI destekli taramanın potansiyelini göstermektedir.

Boulaamane ve arkadaşları A. baumannii için OmpW proteinini aday hedef olarak ele alan QSAR ve molecular docking tabanlı bir iş akışı kullanmıştır. Random Forest, SVM, kNN, Gaussian Naive Bayes ve CNN aday bileşiklerin aktivitesini tahmin etmek için karşılaştırılmış; in vitro deneyler öngörülen bazı bileşiklerde antibakteriyel aktiviteyi doğrulamıştır.

Antimikrobiyal peptit tasarımı

Antimikrobiyal peptitler (antimicrobial peptides, AMP) AI destekli terapötik tasarımın özellikle aktif alanlarından biridir. Model, bilinen peptit dizilerinden sekans–aktivite ilişkisi öğrenerek yeni aday diziler üretebilir veya mevcut adayları optimize edebilir.

Li ve arkadaşları recurrent neural network kullanarak yeni sentetik AMP dizileri üretmiş ve seçilen adayları deneysel olarak test etmiştir. Bolatchiev ve arkadaşları benzer şekilde RNN ile oluşturulan peptitlerin bir bölümünü in vitro ve deneysel sepsis modelinde incelemiştir.

Mishra ve arkadaşları bilgi grafiği destekli makine öğrenmesiyle S. aureus'a karşı AMP optimizasyonu gerçekleştirmiş ve seçilen adayları murin enfeksiyon modelinde doğrulamıştır.

Zhao ve arkadaşları ise conditional variational autoencoder ile diffusion tabanlı üretici modeli bir MIC tahmin modülüyle birleştirerek belirli patojenlere yönelik fizikokimyasal özellikleri programlanabilir peptitler üretmeyi amaçlamıştır.

Bu sonuçlar umut verici olsa da üretici modellerin temel problemi yalnız “aktif görünen” bir dizi oluşturmak değildir. Modelin öngördüğü etkinliğin belirli moleküler hedef veya etki mekanizmasıyla nasıl bağlantılı olduğunun gösterilmesi gerekmektedir.

Açıklanabilir Yapay Zekâ Hedef Keşfinde Neden Önemlidir?

Açıklanabilir yapay zekâ (eXplainable Artificial Intelligence, XAI), bir modelin direnç veya virülans tahminini hangi özellikler üzerinden oluşturduğunu görünür hale getirerek tahmin ile biyolojik hedef hipotezi arasındaki bağlantıyı güçlendirebilir; ancak SHAP, LIME veya başka özellik-atıf yöntemlerinin bir özelliği önemli göstermesi, o özelliğin nedensel mekanizma olduğunu tek başına kanıtlamaz ve biyolojik doğrulama yine gereklidir.

XAI'de kullanılan yaklaşımlar

Derlemede recursive feature elimination, feature weighting, Neighboring Component Analysis, Gini importance, SHAP, model-dependent ve model-independent feature selection, Block HSIC Lasso, partial dependence plots, structure–activity relationships, confidence scoring ve bilgi grafiği destekli optimizasyon gibi farklı yorumlanabilirlik yöntemleri yer almaktadır.

SHAP ve LIME gibi özellik-atıf yöntemleri her girdinin model kararına katkısını nicel olarak inceleyebilir. Bununla birlikte özellik katkısı yalnız modelin karar mantığını açıklar; gerçek biyolojik etkileşimin doğrulanması için moleküler, hücresel veya organizma düzeyinde bağımsız deneyler gerekebilir.

Kaynak ayrıca açıklanabilirliği yalnız genomik özellik seviyesinde bırakmamak gerektiğini savunmaktadır. Protein düzeyindeki adaptasyonlar, tek hücre heterojenliği, metabolik akılar ve mechanism-of-action çıkarımı gibi dinamik fonksiyonel katmanların da gelecekte XAI çerçevelerine dahil edilmesi gerekmektedir.

Yüksek AI Doğruluğu Klinik Olarak Doğrulanmış Hedef Anlamına Gelir mi?

Hayır. Yüksek accuracy, AUC veya başka bir tahmin metriği modelin belirli veri ve görevde ayırım gücünü gösterir; hedefin biyolojik olarak nedensel olduğunu, başka popülasyonlarda aynı performansı koruyacağını veya klinik karar desteğinde hastaya yarar sağlayacağını tek başına kanıtlamaz. Kaynak bu nedenle bağımsız veri, deneysel doğrulama, çok merkezli değerlendirme ve prospektif klinik uygulama basamaklarını model performansından ayrı değerlendirmektedir.

Tablo 2 neden doğrudan model sıralaması değildir?

Kaynak Table 2'de accuracy, AUC, MCC, sensitivity, specificity, MIC hatası, hit rate ve antibakteriyel deney sonuçları gibi farklı metrikleri aynı genel literatür haritasında sunmaktadır. Ancak görevler birbirinden farklıdır: bazı modeller direnç sınıflandırır, bazıları MIC tahmini yapar, bazıları virülans düzenleyicisi bulur, bazıları kimyasal bileşik tarar ve bazıları yeni AMP dizileri üretir.

Veri yanlılığı ve popülasyon yapısı

AI modeli eğitim verisinin dağılımını öğrenir. Belirli bakteri soyları belirli direnç fenotipleriyle güçlü biçimde ilişkiliyse model gerçek direnç mekanizmasından çok bu soyun genomik imzasını kullanabilir. Böyle bir model aynı soy yapısının bulunmadığı başka coğrafyada daha zayıf performans gösterebilir.

Sınıf dengesizliği de önemli bir sorundur. Bir direnç fenotipi veri içinde az temsil edildiğinde yüksek toplam accuracy, azınlık sınıfında kötü sensitivity değerini gizleyebilir. Bu nedenle tek bir performans metriğiyle modelin güvenilirliği değerlendirilemez.

Dataset shift ve model drift

Antimikrobiyal direnç epidemiyolojisi zaman içinde değişebilir. Yeni klonların ortaya çıkması, yeni direnç genlerinin yayılması, antibiyotik kullanım politikalarının değişmesi veya laboratuvar süreçlerinin farklılaşması modelin eğitim aldığı dağılımla gerçek klinik dağılım arasında fark oluşturabilir.

Bu nedenle klinik model bir kez doğrulanıp sonsuza kadar sabit bırakılabilecek bir araç değildir. Kaynak sürekli performans izleme, yeniden kalibrasyon ve gerektiğinde model güncellemesini sürdürülebilir kullanımın temel koşullarından biri olarak değerlendirmektedir.

Çalışmanın Yöntemi ve Bulguları

Arama stratejisi

Literatür taraması PubMed/MEDLINE üzerinden yürütülmüş ve 2016–2026 dönemiyle sınırlandırılmıştır. Aramada yapay zekâ, makine öğrenmesi, derin öğrenme, sinir ağları, graph neural network, generative model, ensemble learning ve QSAR gibi yöntem terimleri; antimikrobiyal direnç, virülans, hedef keşfi, hedef önceliklendirme, AMP ve ilaç keşfi kavramları; ayrıca ESKAPE patojenlerinin adları birlikte kullanılmıştır.

Toplam 277 kayıt belirlenmiştir. Çalışma, tahmin performansına ek olarak fonksiyonel hedef çıkarımı veya deneysel doğrulama sağlayan araştırmaları özellikle önceliklendirmiştir.

Dahil etme ve dışlama ölçütleri

Uygun çalışmaların bir veya daha fazla ESKAPE patojeninde direnç veya virülans belirleyicilerini AI tabanlı yöntemlerle incelemesi gerekmiştir. İlaç veya AMP keşfi çalışmaları yalnızca belirli moleküler direnç/virülans hedeflerini açıkça tanımlıyor veya önceliklendiriyorsa dahil edilmiştir.

Yalnız tanısal sınıflandırma yapan ve mekanistik çıkarım sağlamayan çalışmalar, ESKAPE dışı patojenlere odaklanan yayınlar, AI kullanmayan araştırmalar, derlemeler, editoryaller ve konferans özetleri dışlanmıştır. Yalnız fenotipik direnç tahmini yapan çalışmalar ise ancak biyolojik veya hedef düzeyi yorum sağlıyorsa kabul edilmiştir. Dil İngilizce ile sınırlandırılmıştır.

Veri çıkarımı

Her çalışmadan patojen türü, biyolojik veri tipi, özellik temsili, AI mimarisi, kullanılan hesaplama araçları, temel tahmin görevi, hedef çıkarım düzeyi, doğrulama stratejisi ve raporlanan sınırlılıklar çıkarılmıştır.

Çalışmaların yüksek yöntemsel heterojenliği nedeniyle formal risk-of-bias aracı uygulanmamıştır. Bunun yerine veri kaynağı, model yorumlanabilirliği, doğrulama yapısı ve deneysel doğrulamanın bulunup bulunmadığı nitel olarak değerlendirilmiştir.

Dört katmanlı hedef keşfi mimarisi

Tablo 1'in ana mesajı

Kaynak Table 1, çekirdek 16 çalışmayı yalnız model adına göre değil; patojen, veri türü, özellik temsili, AI mimarisi, hesaplama aracı, yorumlanabilirlik yöntemi, hedef çıkarım düzeyi ve deneysel doğrulama açısından birlikte sınıflandırmaktadır.

Çalışmalar sequence-level, gene-level, phenotype-level ve target-level gibi farklı çıkarım seviyelerinde yer almaktadır. Bu ayrım önemlidir: bir model bir bakteri izolatının direnç durumunu başarıyla tahmin edebilir ancak hangi moleküler mekanizmanın bu tahmini oluşturduğunu açıklamayabilir.

Derlemenin metodolojik tercihi, yalnız tahmin yapan modeller yerine biyolojik hedef veya mekanizma hakkında izlenebilir çıkarım üreten çalışmalara öncelik vermesidir.

Bir AI Modeli Klinik Kullanıma Ne Zaman Hazır Sayılabilir?

Kaynak çerçevesine göre bir AI modeli yalnız retrospektif veride yüksek performans gösterdiğinde klinik kullanıma hazır değildir; translasyonel olgunluk için iç doğrulamanın ardından bağımsız ve çok merkezli dış doğrulama, laboratuvar ve antimikrobiyal stewardship iş akışlarına prospektif entegrasyon, ardından sürekli performans izleme, yeniden kalibrasyon, düzenleyici uyum, altyapı hazırlığı ve maliyet-etkililik değerlendirmesi gerekir.

Dış doğrulama neden gerekli?

Birçok AMR modeli retrospektif tek merkezli veri üzerinde iç cross-validation ile değerlendirilir. Bu yapı proof-of-concept için değerli olmakla birlikte başka hastanelerde aynı performansın korunacağını göstermez.

Direnç prevalansı, bakteriyel soy dağılımı, laboratuvar protokolleri ve hasta profili kurumlar arasında değişebilir. Bu nedenle bağımsız ve çok merkezli veriyle dış doğrulama klinik güvenilirliğin temel aşamalarından biridir.

Kaynak, MALDI-TOF MS ile ML'yi birleştiren çok merkezli MRSA taraması, farklı İtalyan merkezlerinde K. pneumoniae direnç tahmini ve çeşitli merkezlerde MDRO risk tahmini gibi çalışmaları klinik dış doğrulama yönündeki ilerlemelere örnek olarak göstermektedir.

Klinik iş akışına entegrasyon

Dış doğrulama tek başına uygulamayı garanti etmez. Model laboratuvarın gerçek turnaround süresiyle, elektronik sağlık kaydıyla, mikrobiyoloji altyapısıyla ve antimikrobiyal stewardship programıyla birlikte çalışmalıdır.

Derleme, Gram-negatif bakteriyemide ampirik tedavi kararına yardımcı ML sistemleri, bakteriyemi yönetiminde gerçek yaşam karar desteği, A. baumannii için mNGS tabanlı ML duyarlılık tahmini ve pozitif kan kültürlerinden Nanopore dizileme ile patojen/direnç tahmini gibi uygulamaları bu translasyon düzeyine örnek olarak tartışmaktadır.

Bununla birlikte gerçek dünyadaki uygulamalar halen sınırlıdır ve çoğu pilot veya araştırma ortamındadır.

Düzenleme, hesap verebilirlik ve klinisyen rolü

Antimikrobiyal tedaviye yön veren AI sistemlerinin yazılım tabanlı tıbbi cihaz düzenlemelerine tabi olması beklenebilir. Bu nedenle yalnız model doğruluğu değil, yeniden üretilebilirlik, veri yönetişimi, post-deployment monitoring ve model drift tespiti de hasta güvenliği açısından önemlidir.

Kaynak, AI sistemlerinin klinik uzmanlığı ortadan kaldırmaması gerektiğini açıkça vurgulamaktadır. AI çıktıları klinisyen kararını desteklemeli; hesap verebilirlik ve profesyonel gözetim korunmalıdır.

Yapısal uygulama engelleri

Birçok veri setinin yüksek gelirli sağlık sistemlerinden gelmesi farklı epidemiyolojik koşullara genellenebilirliği sınırlandırabilir ve algoritmik yanlılık oluşturabilir. Sekanslama kapasitesi, hesaplama kaynakları ve laboratuvar bilgi sistemleriyle entegrasyon maliyetleri de uygulamayı kısıtlayabilir.

Ayrıca standardize benchmarking, harmonize raporlama ve formal bias değerlendirmesinin eksikliği çalışmalar arası karşılaştırmayı zorlaştırmaktadır.

Gelecek araştırma yönleri

Kaynağın gelecek perspektifinde genomik, transkriptomik ve klinik metadata gibi tamamlayıcı bilgi katmanlarının daha güçlü entegrasyonu merkezi konumdadır. Comprehensive multi-omics modeller halen görece nadirdir.

Federated learning, farklı kurumların ham hasta verisini merkezi olarak paylaşmadan ortak modeller geliştirebilmesi açısından olası bir yöntem olarak tartışılmaktadır. Böyle bir yaklaşım veri gizliliği ve daha geniş coğrafi temsil sorunlarının bir bölümünü azaltabilir; ancak kaynak bunu çözümü kanıtlanmış bir klinik standart olarak sunmamaktadır.

Standardize benchmark veri kümeleri, harmonize değerlendirme metrikleri, prospektif çalışmalar, adaptif model güncellemesi ve küresel AMR sürveyans sistemleriyle uyum gelecekte klinik etki için gerekli görülmektedir.

Çalışmanın desteklediği sonuçlar

Derleme, AI yöntemlerinin ESKAPE patojenlerinde direnç ve virülansla ilişkili genomik, transkriptomik ve ağ düzeyi belirleyicileri önceliklendirebildiğini; bazı çalışmalarda bu adayların deneysel olarak doğrulandığını; AI'nin antibiyotik ve AMP adaylarının keşfi veya optimizasyonunda da kullanılabildiğini desteklemektedir.

Çalışma ayrıca araştırma alanının salt direnç fenotipi tahmininden biyolojik olarak yorumlanabilir hedef keşfine doğru ilerlediğini, fakat çoklu omik entegrasyon ve kapsamlı deneysel doğrulamanın hâlen sınırlı olduğunu desteklemektedir.

Çalışmanın desteklemediği sonuçlar

Bu derleme AI'nin ESKAPE enfeksiyonlarında klinisyenlerden üstün tedavi kararı verdiğini kanıtlamaz. İncelenen yüksek accuracy veya AUC değerleri hasta mortalitesinde azalma, antibiyotik tüketiminde düşüş veya klinik iyileşme anlamına gelmez.

Model tarafından önceliklendirilen her gen veya ağın gerçek nedensel direnç mekanizması olduğu gösterilmemiştir. Özellik önem skoru biyolojik nedensellik değildir.

AI tarafından oluşturulan veya seçilen her antibiyotik ya da peptit adayının insanlarda güvenli ve etkili olduğu gösterilmemiştir. Çalışmaların doğrulama düzeyleri in silico analizden in vitro teste, hayvan modeline ve az sayıdaki gerçek klinik uygulamaya kadar değişmektedir.

Çalışma bütün ESKAPE patojenleri ve bütün hastane ortamları için evrensel bir AI modeli tanımlamamaktadır. Veri dağılımı, direnç epidemiyolojisi ve laboratuvar süreçleri değiştiğinde model performansı da değişebilir.

Kaynak ve Yöntem Notu

Özgün çalışma: Next-Generation Target Discovery in ESKAPE Pathogens: An AI-Driven Framework from Omics-Based to Systems-Level Modeling and Clinical Translation

Yazarlar: Eleonora Chines; Adriana Antonina Tempesta; Ludovica Boscarelli; Matteo Francesco Parisi; Lorenzo Marcoccia; Antonino Capillo; Maria Lina Mezzatesta; Caterina Ledda; Marco Chessari; Viviana Cafiso.

Eşit katkı: Eleonora Chines ve Adriana Antonina Tempesta.

Sorumlu yazar: Viviana Cafiso.

Kurumlar: Department of Biomedical and Biotechnological Sciences, University of Catania; PhD National Program in One Health Approaches to Infectious Diseases and Life Science Research, University of Pavia; Unit of AI and Computer Systems, Department of Engineering, Università Campus Bio-Medico di Roma; HorAlzon Lab., Teleconsys SpA; Occupational Medicine, Department of Clinical and Experimental Medicine, University of Catania.

Dergi: Antibiotics.

Yayınevi: MDPI, Basel, Switzerland.

Yayın bilgisi: 2026; cilt 15; sayı 5; makale 469. Yayın tarihi: 6 Mayıs 2026.

DOI: 10.3390/antibiotics15050469

Kaynak türü: Hakemli, açık erişimli odaklı anlatısal derleme.

Lisans: Creative Commons Attribution (CC BY).

Literatür veri tabanı: PubMed/MEDLINE.

Arama dönemi: 2016–2026.

İlk kayıt sayısı: 277.

Tam metin değerlendirmesi: 45 çalışma.

Çekirdek analitik korpus: 16 çalışma.

Tarama yöntemi: Başlık/özet ve tam metin taraması iki değerlendirici tarafından bağımsız yürütülmüş, uyuşmazlıklar konsensüsle çözülmüştür.

Formal risk-of-bias: AI mimarileri, veri kümeleri ve doğrulama stratejilerindeki heterojenlik nedeniyle formal risk-of-bias aracı uygulanmamıştır. Çalışmalar veri kökeni, yorumlanabilirlik, doğrulama yöntemi ve deneysel doğrulama açısından nitel olarak değerlendirilmiştir.

Ana veri modaliteleri: WGS, SNV, k-mer ve pan-genom özellikleri; RNA-seq ve gen ekspresyon verileri; kimyasal kütüphaneler; peptit kütüphaneleri; gen ve düzenleyici ağlar.

Ana AI yöntemleri: Random Forest, SVM, lojistik regresyon, XGBoost, feed-forward ANN, DNN, ICA, NMF, CNN, RNN, CVAE, diffusion tabanlı üretici modeller ve çeşitli özellik seçimi/XAI yöntemleri.

Açıklanabilirlik yöntemleri: RFE, feature weighting, NCA, Gini importance, SHAP, Block HSIC Lasso, feature importance, partial dependence plots, structure–activity relationship, confidence scoring ve bilgi grafiği tabanlı optimizasyon dahil çeşitli yaklaşımlar.

Finansman: European Union–Next Generation EU, Mission 4, Component C2, Investment 1.1, PRIN-PNRR2022; identification code P2022RHYTM; CUP E53D23015070001; ERC-LS6. Proje başlığı: A snapshot of transferable plasmids based on omics and clonal epidemiology in hospital acquired carbapenem-resistant Enterobacterales: a pilot study.

Veri erişilebilirliği: Çalışmada yeni veri oluşturulmamış veya analiz edilmemiştir.

Çıkar çatışması: Lorenzo Marcoccia, Antonino Capillo ve Marco Chessari Teleconsys SpA çalışanıdır. Diğer yazarlar potansiyel ticari veya finansal çıkar çatışması bildirmemiştir. Finansman sağlayıcıların çalışma tasarımı, veri toplama, analiz, yorum, makale yazımı veya yayın kararı üzerinde rolü olmadığı belirtilmiştir.

Yazar katkıları: Kavramsallaştırma Viviana Cafiso; makale yazımı Viviana Cafiso, Adriana Antonina Tempesta ve Eleonora Chines; gözden geçirme ve düzenleme bütün yazarlar; şekil oluşturma Adriana Antonina Tempesta tarafından gerçekleştirilmiştir.

Temel yöntemsel sınırlılıklar: Çekirdek korpus yalnız 16 çalışmadan oluşmaktadır; veri tipleri, AI mimarileri, görevler ve performans metrikleri heterojendir. Formal risk-of-bias aracı uygulanmamıştır. Çalışmaların büyük bölümünde kapsamlı multi-omics entegrasyonu yoktur. Birçok model retrospektif ve iç doğrulamaya dayanır. Tek merkezli veri, sınıf dengesizliği, popülasyon yapısı, coğrafi temsil eksikliği ve model drift genellenebilirliği sınırlayabilir. Yüksek tahmin performansı nedensel biyolojik mekanizma veya klinik yarar değildir.

Verianla anlatım yöntemi: Bu içerik özgün abstract veya conclusion bölümünün yakın çevirisi değildir. Kaynaktaki çalışma seçimi, genomik modeller, transkriptomik çıkarım, ağ ve sistem düzeyi modelleme, üretici antimikrobiyal tasarım, XAI, Table 1, Table 2, kaynak Şekil 1, Şekil 2 ve Şekil 3 ile translasyon sınırlılıkları bilimsel öğelerine ayrılmış; ardından bağımsız öğretici Türkçe yapı içinde yeniden düzenlenmiştir.

Yorum sınırı: AI tabanlı direnç tahmini, hedef önceliklendirme veya antimikrobiyal tasarım sonucu doğrudan klinik tedavi önerisi değildir. Bir modelin veya aday molekülün klinik kullanıma geçmesi için bağımsız doğrulama, mekanistik ve deneysel doğrulama, uygun olduğunda prospektif klinik değerlendirme, iş akışı entegrasyonu ve sürekli güvenlik/performans izlemi gereklidir.