Tıbbi genetikte yapay zekânın rolü: Fırsatlar ve zorluklar

Amaç: Tıbbi genetik, hastalıkların kalıtsal temellerini aydınlatmayı ve tanı ile tedavi süreçlerinde kullanılmak üzere gen ve gen ürünlerinin analizini hedefleyen bir bilim dalıdır. Sanger dizilemesi, PCR ve İnsan Genom Projesi gibi dönüm noktalarını izleyen teknolojik ilerlemeler, 2010’lu yıllarda yeni nesil dizileme (NGS) yöntemlerinin klinik pratiğe girmesiyle hız kazanmış; çoklu gen panelleri ve tüm ekzom dizileme gibi testler daha erişilebilir hale gelmiştir. Bu gelişmeler özellikle nadir hastalıklarda tanı süresini kısaltmış ve tanısal doğruluğu artırmıştır. Bununla birlikte NGS’nin ürettiği devasa veri yükü, varyantların konvansiyonel yöntemlerle değerlendirilmesini güçleştirmiş; biyoinformatik araçlar yaygınlaşsa da varyantların klinik olarak anlamlandırılması ve fenotiple bütünleştirilmesi aşamalarında sınırlılıklar devam etmiştir. Bu bağlamda yapay zeka (YZ) ve makine öğrenmesi, genetik verilerin hızlı, hassas ve ölçeklenebilir biçimde analiz edilmesini sağlayarak klinik genetik uzmanları ve araştırmacılar için önemli bir destek aracı olarak öne çıkmaktadır. Bu derleme, tıbbi genetikte YZ uygulamalarını ve güncel araçları özetlemeyi amaçlamaktadır. Gereç ve Yöntem: YZ, milyonlarca varyant arasından olası patojenik adayların önceliklendirilmesi, nadir hastalıklarda etken varyantın saptanması, kompleks hastalıklarda risk tahmini ve klinik karar destek süreçlerinin hızlandırılmasında kullanılmaktadır. Protein yapı tahmininde AlphaFold, protein katlanma probleminde deneysel doğruluğa yakın performans sunarak yapısal biyolojide ve hedefe yönelik ilaç tasarımında yeni olanaklar yaratmıştır; yeni sürümlerle protein dışı biyomoleküler etkileşimlerin modellenmesi de genişlemiştir. Bulgular: Genomik veri işleme ve varyant çağrımında DeepVariant gibi araçlar dizileme kaynaklı hataları azaltarak analiz güvenilirliğini artırırken, AlphaGenome ve AlphaMissense gibi modeller varyantların moleküler ve fonksiyonel etkilerinin yorumlanmasına katkı sağlar. SpliceAI, splicing üzerindeki etkileri öngörerek özellikle nadir hastalıkların tanısında kritik bilgi üretir. Varyant sınıflandırmasının standartlaştırılmasında ClinGen VCI gibi platformlar klinik kürasyon süreçlerini destekler. Fenotip tabanlı yaklaşımlarda Face2Gene ve GestaltMatcher gibi yüz analizi araçları dismorfoloji değerlendirmesine katkı sunarken, büyük dil modelleri genetik danışmanlıkta özetleme ve eğitim materyali üretimi gibi görevleri destekleyebilir. Son olarak, veri gizliliği, algoritmik önyargı, şeffaflık/yorumlanabilirlik ve düzenleyici gereksinimler, YZ’nin güvenli klinik entegrasyonu için temel etik ve teknik başlıklar olarak ele alınmalıdır. Sonuç: YZ sistemleri bağımsız karar verici değil; insan uzmanlığını tamamlayan, sorumluluğu klinisyende kalan karar destek araçları olarak konumlandırıldığında tıbbi genetikte tanı, kişiselleştirilmiş tedavi ve ilaç keşfi süreçlerine anlamlı katkı sağlayacaktır.

Aim: Medical genetics is a discipline dedicated to elucidating the hereditary basis of disease and applying analyses of genes and their products to improve diagnostic and therapeutic decision-making. Following key milestones such as Sanger sequencing, the development of polymerase chain reaction (PCR), and the Human Genome Project, technological progress accelerated with the clinical adoption of next generation sequencing (NGS) in the 2010s. As multigene panels and whole exome sequencing became increasingly accessible, diagnostic yield improved and the time to diagnosis—particularly for rare disorders—was substantially reduced. Nevertheless, the enormous data volume generated by NGS has complicated variant interpretation using conventional approaches. Although bioinformatics pipelines have expanded rapidly, persistent challenges remain in translating genomic findings into clinically meaningful conclusions and integrating them with patient phenotypes. In this context, artificial intelligence (AI) and machine learning have emerged as powerful enabling technologies, offering rapid, accurate, and scalable analysis of genomic data to support clinical geneticists and researchers. This review summarizes major applications of AI in medical genetics and highlights contemporary tools that are shaping the field. Materials and Methods: AI driven methods are increasingly used to prioritize potentially pathogenic variants among millions of candidates, identify causal variants in rare diseases, estimate risk for complex disorders, and accelerate clinical decision support workflows. In protein structure prediction, AlphaFold has achieved near experimental accuracy for many targets, catalyzing advances in structural biology and enabling structure guided drug discovery; subsequent iterations have expanded modeling capabilities beyond proteins to broader biomolecular interactions. Results: In genomic data processing and variant calling, tools such as DeepVariant enhance analytical reliability by reducing sequencing and alignment artefacts. Complementary models, including AlphaGenome and AlphaMissense, support interpretation by predicting molecular and functional consequences of genetic variation. SpliceAI provides high performing predictions of splicing disruption, offering clinically actionable insights that are especially relevant to rare disease diagnostics. To promote consistency and transparency in clinical interpretation, platforms such as the ClinGen Variant Curation Interface (VCI) facilitate standardized variant classification aligned with established guidelines. Beyond sequence based analyses, phenotype driven approaches employing facial analysis—such as Face2Gene and GestaltMatcher—can assist dysmorphology assessment, while large language models may streamline genetic counseling tasks including result summarization and the creation of patient facing educational materials. Despite these advances, safe clinical implementation requires careful attention to data privacy and security, algorithmic bias, transparency and interpretability, and evolving regulatory frameworks. Conclusions: AI systems should be positioned not as autonomous decision makers but as decision support tools that augment human expertise, with clinical responsibility remaining with qualified professionals. When integrated within robust ethical, legal, and professional standards, AI has the potential to meaningfully advance diagnosis, personalized therapeutics, and drug discovery in medical genetics