Outer Biosciences, atık cerrahi dokulardan elde edilen ve bir aydan fazla süre canlı tutulabilen canlı insan derisini artık makine öğrenmesi modellerine besliyor. Startup, ilaç keşfi ve dermatoloji tahminlerini çok daha güvenilir hale getirmeyi umuyor. İki yıllık iş akışı, dokuyu ameliyathanelerden laboratuvara saatler içinde taşıyor; şirket, bu hızın hücrelerin doğal davranışını koruduğunu belirtiyor.
Eski veri setleri neden yetersiz kalıyor
Biyoteknoloji tarihinin büyük bir bölümünde araştırmacılar, hesaplamalı araçları eğitmek için hayvan modellerine veya kültüre edilmiş hücre hatlarına güvendiler. Bu sistemler ucuzdur ve kullanımı kolaydır, ancak insan derisinin tüm karmaşıklığını nadiren yakalayabilirler; deri, bağışıklık hücreleri, sinir uçları, mikrobiyom etkileşimleri ile hormonlara ve strese karşı dinamik bir tepki veren katmanlı bir organdır. Bu uyumsuzluk, ilaç geliştiricileri birden fazla hayvan testi ve insan denemesi aşaması yürütmeye zorlayarak maliyetleri artırıyor ve zaman çizelgelerini uzatıyor.
Outer Biosciences kendisini bu boşluğu kapatan bir köprü olarak konumlandırıyor. Şirket, bir kapta hiç değiştirilmemiş dokuları kullanarak, yapay zekasının sentetik modellerde görünmeyen kalıpları öğrenebileceğine inanıyor. Ekip, bir hücre hattının statik bir anlık görüntüsü ile çevresiyle sürekli etkileşim halinde olan bir doku dilimi arasındaki farkı tanımlamak için "canlı veri" ifadesini kullanıyor.
Ameliyathaneden algoritmaya
Lojistik zorluk, bilimsel zorlukla eş değerdir. Outer Biosciences, abdominoplasti veya mastektomi gibi prosedürler sırasında normalde atılacak olan derileri temin ediyor. Kurumsal İnceleme Kurulu (IRB) denetimi altında çalışan kâr amacı gütmeyen ve ticari biyobankalar, araştırma kullanımı için donör onayını belgeliyor. Bir hastane uygun bir örnek belirlediğinde, şirketin kurye ağı örneği alıyor, sıcaklık kontrollü kaplarda taşıyor ve birkaç saat içinde bir işleme tesisine teslim ediyor.
Laboratuvarda deri, kan akışını taklit eden ve hücreleri 30 güne kadar canlı tutan bir perfüzyon sisteminde bekletiliyor. Bu süre zarfında ekip; yüksek çözünürlüklü görüntüleme, transkriptomik ve proteomik verilerini birden fazla zaman noktasında yakalıyor. Çok modlu veri seti, dokunun kimyasal bileşiklere, UV maruziyetine veya enflamatuar tetikleyicilere nasıl tepki vereceğini tahmin eden derin öğrenme boru hatlarını besliyor.
Direksiyon başındaki isimler
Kurucu ortak ve CEO Michael Polansky, Harvard'dan gelen matematik geçmişinin yanı sıra risk sermayesi portföylerinden küresel konser turnelerine kadar karmaşık operasyonları ölçeklendirme konusunda bir geçmişe sahip. Cilt biyolojisi uzmanı Baş Bilim İnsanı Kyung-Jin Jang deneysel tarafı yönetirken, CTO Chris Hinojosa görüntüleme ve moleküler akışları birbirine bağlayan veri mühendisliği platformunu inşa ediyor. Yönetim kurulunda, aynı zamanda Outer Biosciences ile araştırma kaynaklarını paylaşan bir girişim olan Haus Labs kozmetik markasının da başkanı olan pop kültür ikonu Lady Gaga bulunuyor.
Bu sektörler arası bağlar, startup'a hem niş bir lojistik ağ kurmak için gereken sermayeyi hem de erken uygulamalar için hazır bir pazar sağlıyor. Örneğin Haus Labs, yeni formülasyonları insan gönüllülere geçmeden önce canlı doku platformunda test edebilir ve böylece tipik ürün geliştirme döngüsünden haftalar kazanabilir.
Riskler neler?
Eğer bu yaklaşım vaatlerini yerine getirirse, ilaç şirketleri erken aşama tarama için gereken hayvan çalışması sayısını azaltarak hem maliyetleri hem de etik endişeleri düşürebilir. Dermatoloji klinikleri, bir hastanın derisinin reçeteli bir krema nasıl tepki vereceğini tahmin eden ve gerçekten kişiselleştirilmiş tedavi planları sağlayan yapay zeka araçlarına sahip olabilir. Daha geniş yapay zeka topluluğu da tahminleyici biyolojinin sınırlarını zorlayan daha zengin ve daha gerçekçi bir eğitim setinden yararlanabilir.
Model, ölçeklenebilirlik ve gizlilik hakkında soruları da beraberinde getiriyor. Cerrahi operasyondan doku toplamak, hastanelere ve katılmaya istekli donörlere bağlıdır ve talep arttıkça tedarik zinciri darboğaza girebilir. Biyobankalar IRB denetimi altında çalışsa da, veri işleme uygulamalarında aksama olması durumunda detaylı moleküler profiller teorik olarak bireylerle ilişkilendirilebilir. Eleştirmenler, onay alınsa bile atık dokuların ticari amaçlarla kullanılmasının ince bir etik çizgide gezindiğini savunuyor.
Karşı görüş: Organoidlerin hâlâ bir rolü var mı?
Scientists who develop organoids—three-dimensional clusters of cells grown in the lab to mimic organ function—caution against discarding those models entirely. Organoids can be generated from a single patient’s induced pluripotent stem cells, offering a personalized platform without the need for fresh surgical tissue. They also let researchers study developmental processes over months, something a 30-day skin slice cannot do. Outer Biosciences acknowledges that its platform is not a universal replacement but a complementary source of high-fidelity data for specific questions where the native architecture of skin matters most.
The road ahead
Outer Biosciences is currently running pilot studies with several biotech partners, testing the predictive power of its models against known drug outcomes. Early results, shared only in internal briefings, suggest a higher correlation with clinical-trial data than comparable organoid-based predictions. The company plans to expand its tissue collection to include other organ types, though each will bring its own logistical hurdles.
Regulators have not yet issued specific guidance on AI models trained on live human tissue, but the FDA’s emerging framework for AI-driven medical devices will likely intersect with Outer’s work. The startup says it is preparing documentation that meets both data-privacy standards and the agency’s expectations for algorithmic transparency.
Bottom line
Outer Biosciences has turned a logistical feat—moving fresh human skin from the operating room to a lab in a matter of hours—into a data engine that could make AI predictions about drugs and skin health more trustworthy. The venture’s success will hinge on its ability to keep the tissue pipeline flowing, protect donor privacy, and prove that “living data” actually outperforms existing synthetic models. If it does, the ripple effect could be felt across pharma, cosmetics and clinical dermatology, reshaping how we train machines to understand the human body.