“Yapay zekâ yeni antibiyotiği buldu” cümlesi etkileyici, fakat bilimsel sürecin büyük bölümünü tek fiile sıkıştırıyor. OpenAI’nin yayımladığı müşteri hikâyesi, Dr. César de la Fuente’nun ekibinin ChatGPT ve Codex’i molekül adaylarını aramak, algoritma geliştirmek ve deney verilerini görselleştirmek için kullandığını anlatıyor. Ekibin ifadesine göre bazı adaylar yıllar yerine saatler içinde belirlenebiliyor. Bu, ilacın saatler içinde bulunduğu ya da hastaya hazır olduğu anlamına gelmiyor.

Asıl değer, pahalı ve yavaş ıslak laboratuvar aşamasına hangi adayların taşınacağına daha erken karar verebilmekte. Dünya Sağlık Örgütü’nün 16 Temmuz 2026 tarihli bilgi notuna göre bakteriyel antimikrobiyal direnç 2021’de dünya genelinde 4,7 milyondan fazla ölümle ilişkiliydi; 2023’te laboratuvarla doğrulanan bakteriyel enfeksiyonların yaklaşık altıda biri antibiyotiklere dirençliydi. Yeni adaylara ihtiyaç gerçek, fakat hız iddiası ancak ölçülebilir bir doğrulama zinciriyle anlam kazanıyor.

Yapay zekâ laboratuvarda tam olarak neyi hızlandırıyor?

Bir araştırma ekibi önce genom, protein veya peptit dizileri gibi büyük veri kümelerinde belirli özellikleri arar. Kod; adayları puanlar, benzerleri gruplar ve deney için kısa bir liste üretir. Dil modeli burada kod taslağı hazırlayabilir, veri temizleme adımlarını açıklayabilir, grafik üretimini standartlaştırabilir ve farklı uzmanlıkların aynı yöntemi tartışmasını kolaylaştırabilir.

OpenAI hikâyesinde laboratuvar çalışanları Codex’in programlama bilgisi sınırlı araştırmacıların da algoritma ve görselleştirme üretmesine yardım ettiğini söylüyor. Bu bir kullanım örneği ve ekip görüşüdür; kontrollü, bağımsız bir verimlilik deneyi değildir. “Yıllar yerine saatler” ifadesi de aday tarama aşamasına aittir. Molekülün sentezlenmesi, bakteriye karşı etkinlik, toksisite, direnç gelişimi, hayvan çalışmaları ve klinik araştırmalar ortadan kalkmaz.

Kanıt zincirini beş kapıya ayırın

1. İddia ve veri kapısı

Modelden “yeni antibiyotik bul” demek yerine ölçülebilir bir soru tanımlayın: Hangi veri kümesi, hangi hedef organizma, hangi eşik ve hangi dışlama ölçütü? Eğitim verisiyle test verisini ayırın. Eksik, tekrar eden veya etiket hatası taşıyan kayıtları raporlayın. Hasta verisi kullanılıyorsa kurumun etik, güvenlik ve veri koruma kuralları devreye girmeden genel amaçlı bir araca yükleme yapılmamalı.

2. Kod ve yeniden üretilebilirlik kapısı

Üretilen kodu çalıştırmak yeterli değildir. Paket sürümleri, rastgelelik tohumu, veri sürümü ve tüm parametreler kayıt altında olmalı. Aynı girdiyle aynı sonuç yeniden alınabiliyor mu? Birim testleri ve küçük, elle doğrulanmış örnekler algoritmanın gerçekten ölçmek istediği özelliği ölçüp ölçmediğini gösterir. AI cevabını kanıt tablosuyla doğrulama rehberindeki “iddia–kaynak–sonuç” ayrımı burada doğrudan kullanılabilir.

3. Kör karşılaştırma kapısı

Aday sıralamasını mevcut yöntemle karşılaştırın. İnsan uzman, adayın yapay zekâdan geldiğini bilmeden listeyi değerlendirebiliyor mu? Yalnız en başarılı örnekleri seçmek yerine başarısız adayları da sayın. İsabet oranı, yanlış pozitif oranı, deney başına maliyet ve karar süresi ayrı metriklerdir; tek bir “hızlandı” yüzdesi bunların yerini tutmaz.

4. Islak laboratuvar kapısı

Bilgisayarın önerdiği molekül bir hipotezdir. Sentez, saflık, doz-cevap ilişkisi, farklı bakteri suşları ve hücre toksisitesi gibi deneyler hipotezi sınar. Negatif sonuçlar veri tabanına geri dönmeli; aksi halde sistem yalnız başarı öykülerinden öğrenir. Laboratuvar protokolündeki sapmalar ve cihaz kalibrasyonu da sonuçla birlikte saklanmalı.

5. Bağımsız ve klinik doğrulama kapısı

Başka bir ekip aynı molekülü aynı koşullarda test edebiliyor mu? Bulgular hakemli yayın, bağımsız tekrar ve gerektiğinde düzenleyici süreçlerden geçmeden klinik yarar iddiasına dönüşmemeli. Bir adayın laboratuvarda patojeni öldürmesi, güvenli ve etkili bir ilaç olduğu anlamına gelmez. Yazının konusu araştırma iş akışıdır; tedavi önerisi değildir.

Türkiye’deki araştırma ekibi için 30 dakikalık başlangıç testi

  • Tek bir küçük, kimliksizleştirilmiş ve paylaşılması onaylı veri kümesi seçin.
  • Başarı ölçütünü önceden yazın: süre, doğruluk, yanlış pozitif ve insan inceleme yükü.
  • Aynı görevi mevcut yöntemle ve AI destekli yöntemle ayrı çalıştırın.
  • Modelin ürettiği kodu sürüm kontrolüne alın; her değişikliği insan incelemesinden geçirin.
  • En az beş pozitif ve beş negatif örneği elle doğrulayın.
  • Sonucu “aday üretimi”, “laboratuvar doğrulaması” ve “klinik kanıt” başlıklarında ayrı raporlayın.

Üniversite, hastane veya biyoteknoloji girişiminde en güvenli pilot; klinik karar vermeyen, kişisel veri içermeyen ve sonucu uzman tarafından kolayca kontrol edilebilen bir analizdir. Modeli ortak akıl gibi kullanmak yararlı olabilir; fakat laboratuvar defteri, veri kökeni ve deney kanıtı onun hafızasına bırakılamaz.

Pilot sonunda yalnız kaç aday bulunduğunu değil, kaç adayın neden elendiğini de yazın. Bu “negatif kayıt”, sonraki ekiplerin aynı hatalı yolu tekrar denemesini önler ve modelin parlak fakat biyolojik olarak anlamsız önerilerini görünür kılar.

Sonuç: hız, kanıtın yerine geçmez

ChatGPT ve Codex, bilim insanının fikirden çalışır koda ve aday listesinden görsele ulaşma süresini azaltabilir. OpenAI’nin paylaştığı örnek bunu canlı bir laboratuvar iş akışında gösteriyor. En doğru başlık “AI antibiyotiği buldu” değil, “AI hangi deneyin önce yapılacağına karar vermeyi hızlandırdı” olur. Kazancı kalıcı yapan şey de daha çok çıktı değil; izlenebilir veri, tekrar üretilebilir kod ve bağımsız deneydir.

Kaynaklar: OpenAI, “Accelerating antibiotic discovery with ChatGPT”; Dünya Sağlık Örgütü, “Antimicrobial resistance”, 16 Temmuz 2026.

İlgili rehber: GPT-5.6 Sol’un kuantum deneyindeki rolü ve insan denetiminin sınırları.