Günümüz teknolojileri yaşamımızın son dönemine damgasını vurmuş durumda. Öyle ki gelişmeleri takip etmek bile hayli zor. Bunlardan en önde geleni ise yıkıcı teknolojilerdir.
Yıkıcı teknolojiler, aslında, isminden de anlaşılacağı üzere kendinden önce esip gürlemiş bir teknolojiyi hızlı şekilde arkasında bırakan teknolojilerdir. Günümüzde yıkıcı teknolojilerin sayısı o kadar hızlı şekilde artıyor ki insanlık artık kendilerine sunulan teknolojilere şaşıramayacak durumda. Her bir teknolojinin kendine has kullanım amaçları vardır. Örneğin, yapay zekanın sürücüsüz araçlara kadar gidebileceğine bir dönem yalnızca filmlerde kurgulanacak bir sahne olarak kalmayacağına kim inanabilirdi ki? Kullanım amacı bakımından bu denli kendini geliştirmiş yapay zeka, sanal gerçeklik, internet gibi yıkıcı teknolojilerin kullanılacağı alanlar da bu sebeple yadsınamayacak derecede fazla. Tüm olası kullanım alanlarının yanında sağlık da bu teknolojilerde faydalanılmak istenilen en önemli konulardan biri olarak göze çarpıyor. Bu sebeple ben bu yazımda, yıkıcı teknolojilere birer örnek olan makine öğrenmesi ve sanal gerçeklik teknolojilerinin özellikle son zamanlarda bilim ve halk camiasında çeşitli tartışmalara da konu olan, eğitim ve deneyler sırasında deney hayvanları kullanımlarının azaltılmasında ne gibi uygulamalarda yer aldığından bahsedeceğim.
Sanal gerçeklik, yıkıcı teknolojilerin en popüler örneklerinden biridir. Bu teknoloji yaygın olarak gerçek hayatta var olan ya da olmayan yerlerin en az 3 boyutlu olarak bilgisayar ile yeniden oluşturulması ve gerçek gibi deneyimi sunması için kullanılmaktadır. Sanal gerçeklikte 3D ortamlar görüntünün yanı sıra duyma, hareket gibi başka duyulardan da yararlanır. Günümüzde epey yaygın derecede eğlence amaçlı kullanılan sanal gerçeklik teknolojisi, teknolojinin doğasında olan çok yönlülüğü tabii olarak bünyesinde barındırıyor [1]. Eğlencenin yanı sıra sağlık konusunda çeşitli cerrahi, tedavi, ve sağlık eğitimleri vb. uygulamalar ile de hayatı kolaylaştırıyor. Teknolojinin en güzel yanı da belki budur: İhtiyaç duyulduğunda eğlence için kullanacağın bir şeyi yeri geldiğinde hayati öneme sahip konularda kullanılabilmek.
En etkili yıkıcı teknolojilerden bir diğeri olan yapay zeka teknolojisi, birçok alt dalı bulunan ve aslında insani özellikleri taklit edip bünyesine aldığı verilerle kendini geliştirip yerinde saymayan bir olgu olarak karşımıza çıkıyor. Bu sebeple, her geçen gün ortaya çıkarılış amacını aşıp yeni ufuklara yelken açıyor. Örneğin, 2000’li yıllara kadar satrançta ustaları yenmek, matematik problemleri çözmek ve akademik çalışmalarda kullanılmak üzere insanlığın hizmetinde olan yapay zeka teknolojisi, son yıllara gelindiğinde çoğunlukla “makine öğrenmesi” alanında kullanılıyor [2].
Makine öğrenmesi terimi, 1959’da bilgisayar oyunları ve yapay zeka alanında öncü olan Amerikalı Arthur Samuel tarafından icat edilmiştir [3]. Makine öğrenmesi; hastalık tanısı, havacılık, ses tanıma, pazarlamacılık ve birçok alanda insanlığın hizmetindedir. Bu teknolojinin mantığında yapay zekanın, tükettiği verileri alıp kendini ona göre tasarlayıp geliştirmesiyle adeta bilinçli bir varlık gibi hareket etmesi yatmaktadır. Bu özelliği sayesinde de sonsuz bir gelişme aşamasına sahip olduğu düşünülebilir. Ayrıca bu şekilde yalnızca gelişmekle kalmayıp beslendiği verileri bir veri tabanı haline getirip bu veri tabanından yararlanarak kendine aktarılacak verileri tahmin etme özelliği de kazandırmaktadır. Tüm bu özellikleri sebebiyle insanı hayrete düşüren makine öğrenmesinin günümüzde en popüler örnekleri olarak yüz tanıma sistemi ve sürücüsüz araçlar gösterilebilir. Henüz bu denli emekleme aşamasında bile bu kadar hayret verici olan bu teknolojinin gelecekte nasıl bir şekle bürüneceği ise ayrı bir merak konusu.
Hayvan deneyleri konusuna değinecek olursak hayvan deneylerinin eserlerde bulunan ilk bilimsel kaydına M.Ö. 400 yıllarında Hipokrat tarafından yazılan Corpus Hippocraticum kitabında rastlıyoruz. O dönemde hayvanlar üzerinde yapılan incelemeler sadece anatomik yapıyı belirlemeye yönelik olmakla birlikte ilk defa deneysel diyebileceğimiz uygulama Galen’de görülüyor. Galen domuz, maymun ve köpeklerin bazı organlarını vücuttan ayırarak çeşitli organların fonksiyonlarının nasıl olduğunu görmeye çalışmıştır. Bu denemeler canlı hayvanlar üzerinde yapılan ilk fizyolojik çalışmalardır.
Bundan sonra birçok araştırmacı çeşitli nedenlerle deney için hayvan kullanmıştır [4]. Günümüzde ise sağlık alanında ilaç keşfi, psikoloji, fizyoloji, sinirbilim vb. Konu başlıklı pek çok bilimsel çalışma bu hayvan deneyleri ile aydınlatılmaktadır. Bana sorarsanız günümüz dünyasında sağlık alanına yeni çalışma ufukları katan hayvan deneyleri çok önemli bir temel taşıdır. Kaldı ki, 1901-2021 yılları arasında Nobel Fizyoloji veya Tıp Ödülü kategorisinde verilen 224 ödülün 188’inin araştırmalarında hayvan modelleri kullanılmıştır [5].
Fikrimce, yaşadığımız evrenin odak noktası insandır. Bu sebeple insanlığa faydalı olacak buluşlar yapmak için insanların son aşamalarda deneylere dahil edilmesi çok doğaldır ancak deney basamaklarının ilk birkaç aşamasında yer alan hayvanlar için durum o kadar da toz pembe değil. Bu sebeple de etik kavramı zamanla hayvan deneyleri için en büyük tartışma konusu haline gelmiştir.
Hayvanlar adına gerçekten üzücü ve korkunç bir gerçek olan hayvan deneyleri iyisiyle kötüsüyle bir şekilde insanlığa ışık tutmuştur. Gerektiği yerde hayvan deneylerinin yapılmasına ılımlı bakıyorum ancak bu işi gerçekten layıkıyla yapmaya çalışan insanları görmüş olsam da bizzat bu insanların acı tecrübelerine de kulak kesilmiş bulunduğum için hayvan deneylerindeki bu etik ikileminin insanlık için çok önemli bir sorgulama kaynağı olarak görüyorum.
Bilim camiasıyla kalmayıp insanlığa yayılan bu ikilem insanları bu deneyleri olabilecek en uygun koşullara getirmeye ve bu deneyler yerine alternatif yöntemler bulmaya itiyor.
Hayvan deneylerini olabilecek en insani koşullara getirmek için ilk olarak Russell & Burch tarafından 1959’da “İnsani Deney Tekniğinin İlkeleri”nin yayımlanmasıyla ortaya konan bu ilkeler; Replacement (Yerine koyma), Reduction (Sayıyı azaltma), Refinement (Ağrı ve acıyı azaltma) terimlerinin baş harflerinden dolayı kısaca “3R” olarak tanımlanmıştır. Açık şekilde: Yapılabiliyorsa deney hayvanları yerine başka modellemeler kullanılır, yapılamıyorsa kullanılan hayvan sayısı ve hayvana verilen ağrı acının azaltılması yoluna gidilir. Daha sonrasında ise bu kural, dördüncü bir “R” ile güncellenerek “4R” halini almıştır. Dördüncü “R”, ilk olarak Banks tarafından “Responsibility (Sorumluluk bilinci)” olarak tanımlanmıştır. Bu ilke temelde laboratuvar hayvanını bir değer olarak görüp bunlara karşı sorumluluklarını bilmesini ve ona göre davranmasını, yeni yöntemlerin ve teknolojilerin geliştirilmesi ile kişisel sorumluluğunun arttırılmasını öngörmektedir [6]. Bu etik düzenlemesine ek olarak bir araştırmada hayvan deneyine başvurulması durumunda mevcut araştırmanın hangi koşullarda, ne kadar sayıda hayvan ile yapılacağı gibi konularda belli onaylara ihtiyaç vardır. Bu sebeple de tüm bu düzenlemelerin denetlendiği kurumların sayısı dünyada ve ülkemizde epey fazla.
Hayvan deneylerine alternatif yöntemler olarak ise şunlar kullanılır:
- Hücre ve doku kültürleri
- Yeni görüntüleme/analiz yöntemleri
- Makine öğrenmesi
- Sanal gerçeklik
Araştırmacıların deney hayvanlarını kullanabilmeleri için gerekli mercilerce onaylanmış sertifikalara sahip olmaları gerekiyor. Bu sertifikalar için de belirli onaylanmış kurumlar tarafından yapılan eğitimlerin sonucunda yapılan sınavla araştırmacının bu sertifikaya sahip olup olmayacağı belirleniyor. Bu eğitimler ise deney hayvanlarının tutuşu, enjeksiyon uygulamaları, bu hayvanlara anestezik maddelerin uygulanması gibi pratik aşamaları içerdiği için deney hayvanlarının yalnızca bu eğitimler için çoğaltılması kaçınılmaz oluyor. Bu sebeple bu konuda yıkıcı teknolojilerin kullanılarak bahsettiğim aşamaların sanal eğitimlerini içeren yeni uygulamaların ortaya çıkarılmasını hayvanların yalnızca eğitim için zayi olmaması açısından çok önemli bir gereklilik olarak görüyorum. Ne şanslıyız ki bu konuda da insanlık geri kalmış değil.
Tang ve ark. Tarafından 2020’de yapılan bir çalışmada 50 kişilik bir öğrenci grubuna deney hayvanları tutuşu hakkında sanal gerçeklik teknolojisiyle pratik ve teorik eğitim verilmiştir [7]. Eğitim konusu bakımından çok kapsamlı bir uygulama olmasa da en büyük yangınların ufacık kıvılcımlardan meydana geldiği unutulmamalıdır. Çünkü, belki de bu işin temeli olan hayvan tutuşları konusunda bu şekilde bir teknolojiyle eğitim veriyor olmak bu konuda kilometre taşı olabilecek nitelikte.
Makine öğrenmesi ise sağlık alanında yapılan çalışmalarda birçok test yönteminin denenebileceği hayvan deneylerinde çoğunlukla toksikolojik analizlere parmağını basıyor. Toksikolojik hayvan çalışmalarının sonuçları makine öğrenmesi yoluyla tahmin edilmeye çalışılırken genellikle eldeki veritabanlarından faydalanıyor. Bu yönüyle yapay zeka teknolojisinin hayvan deneylerinde kullanımının biyoinformatik ile de örtüştüğü açık şekilde görülebiliyor.
Johns Hopkins Üniversitesi’nden Thomas Hartung liderliğindeki bir araştırma ekibi, 2018 yılında, maddelerin toksisitesini belirlemek için benzer veritabanlarını ve önceki hayvan testlerinden elde edilen verileri kullanan bir yapay zeka algoritması geliştirdi.
866.000’den fazla kimyasal özellik/tehlike içeren genişletilmiş bir veritabanı, eğitim verileri olarak ve sağlık tehlikelerini ve kimyasal özellikleri modellemek için kullanıldı ve böylece kimyasalların toksisitesi çapraz doğrulama yoluyla tahmin edildi. Elde edilen sonuçların %80-95 aralığında bir doğruluk gösterdiği saptandı [8]. Makine öğrenmesinin etkili olduğu bir diğer sonuç ise Chen ve ark. Tarafından 2021’de yayımlanan bir çalışmada gösterildi. “Tox-GAN” adı verilen bu uygulamada çoklu dozlama ve tedavi süresi için gen aktivitesi ve transkripsiyon profilleri oluşturuldu. Elde edilen profillerin gerçek gen ekspresyon verileriyle %87 uyumlu olduğu gözlendi [9]. Tüm bunlar yapay zeka teknolojilerinin hayvan deneylerine alternatif olarak uygulanması gerçekten olumlu sonuçlar verdiğini gösteriyor.
Hayvan deneylerinde sanal gerçeklik ve makine öğrenmesi teknolojilerinin kullanılma alanları şu an için gerçekten çok dar. Öyle ki, yapılan çalışmalar azami 4 sene öncesine ait. Şahsen bu konuda özellikle sanal gerçeklik teknolojisi ile deney hayvanları kullanımına ait eğitimlerde her bir aşama adına sanal bir eğitim geliştirilmesini elzem ve mümkün görüyorum. Makine öğrenmesi konusunda ise insanlar için yapılan teorik farmakokinetik modellemelerin hayvanlar adına da yapılıp bunların yapay zekaya öğretilmesi konusunda önemli adımlar atılabilir. Zaten teknolojinin ne büyük bir hızla geliştiğini hepimiz biliyoruz ve buna günlük hayatlarımızda da şahitlik ediyoruz. İlerleyen yıllarda bu konuda yeni çalışmalar yapıldıkça ve bunlardan olumlu veya olumsuz sonuçlar alındıkça, er ya da geç, mevcut ve gelecek yıkıcı teknolojiler bu alana etkisini artırarak yapacaktır. Bu süreçte ise hayvan deneyleri konusunda yeterince titiz olup etik kurallara uymak ve bu süreçte teknolojik gelişmeleri ve saptamaları takip etmek biz insanlara bu konuda düşen en büyük görev olacaktır.
Referanslar
- https://www.tiridi.com/sanal-gerceklik/sanal-gerceklik-nedir.html (7 Mayıs 2022 tarihinde erişildi.)
2. https://www.turhost.com/blog/yapay-zeka-nedir/#serp (7 Mayıs 2022 tarihinde erişildi.)
3. Samuel, Arthur (1959). “Some Studies in Machine Learning Using the Game of Checkers”. IBM Journal of Research and Development. 3 (3): 210-229.
4. Altuğ T. Hayvan Deneyleri Etiği. İstanbul Bilim Üniversitesi Sağlık Bilimlerinde Süreli Yayıncılık (2009)
5. https://fbresearch.org/medical-advances/nobel-prizes/ (7 Mayıs 2022 tarihinde erişildi.)
6. TÜFEK, H. and ÖZKAN, Ö., 2018. 4R rule in laboratory animal science. Commagene Journal of Biology.
7. Tang, F.M.K., Lee, R.M.F., Szeto, R.H.L., Cheng, J.K.K., Choi, F.W.T., Cheung, J.C.T., Ngan, O.M.Y. and Lau, A.S.N., 2021, June. A Simulation Design of Immersive Virtual Reality for Animal Handling Training to Biomedical Sciences Undergraduates. In Frontiers in Education (Vol. 6, p. 239). Frontiers.
8. Thomas Luechtefeld, Dan Marsh, Craig Rowlands, Thomas Hartung, Machine Learning of Toxicological Big Data Enables Read-Across Structure Activity Relationships (RASAR) Outperforming Animal Test Reproducibility, Toxicological Sciences, Volume 165, Issue 1, September 2018, Pages 198–212, https://doi.org/10.1093/toxsci/kfy152
9. Xi Chen, Ruth Roberts, Weida Tong, Zhichao Liu, Tox-GAN: An Artificial Intelligence Approach Alternative to Animal Studies—A Case Study With Toxicogenomics, Toxicological Sciences, Volume 186, Issue 2, April 2022, Pages 242–259, https://doi.org/10.1093/toxsci/kfab157
Pharmaino 4. Dönem Management Stajyeri
Bezmialem Vakıf Üniversitesi Eczacılık Fakültesi
