Yapay Zeka ile Üretilen Proteinlere “Filigran” Basılıyor: Biyosilah Üretimini Engelleme Umutu, Ama İşe Yarayacak mı?

Yapay zekâ (YZ) sayesinde bilim insanları, ya çığır açan yeni ilaçların ya da yıkıcı biyorusalların üretiminde kullanılabilecek, daha önce hiç görülmemiş proteinler oluşturma konusunda güçlü yeni bir alete sahip.

Bu proteinlerin kötü niyetli kullanımını engellemeye yardımcı olmak için bilim insanları, proteinlerin işlevine zarar vermeden onları “filigran”lama yöntemi buldu. Google DeepMind’den bir ekip, YZ ile tasarlanan proteinlerin menşeinin daha iyi izlenebilmesi için bu tekniği geliştirdi.

“Bu, yetkisiz toksin üretimi gibi biyogüvenlik tehditlerini azaltma potansiyeline sahip ve yapay tasarımların standart veri tabanlarını kirletmesini engelleyerek veri tabanı düzenlemeye yardımcı olabilir,” araştırmaya dahil olmayan İrlanda’daki Munster Technological Üniversitesi biyoloji profesörü Roy Sleator söyledi.

“Uygulamada, bir tasarımın menşeinin izlenebilmesine, mühendislik proteinlerinin ek biyogüvenlik kontrolleri için işaretlenebilmesine ve bir proteinin nasıl üretildiğine dair yanıltıcı iddiaların azaltılmasına yardımcı olabilir,” Sleator Live Science’a bir e-posta ile söyledi.

Bununla birlikte, mevcut biçiminde, filigran ekleyen aynı YZ teknolojileri, aynı zamanda onları ortadan kaldırabiliyor; diğer uzmanlar uyardı.

İşaretlemeleri gizlemenin yeni yolları

2020’de ortaya çıkan YZ programı AlphaFold, protein mühendisliğinde bir dönüm noktasıydı. 2024’te Demis Hassabis, John Jumper ve David Baker’a Kimya alanında Nobel Ödülünü kazandıran bu araç, bir proteinin yapı taşları olan amino asitlerin dizilisinden proteinin 3 boyutlu yapısını ortaya çıkarabilir. Proteinler origami gibi katlanır ve işlevlerini belirleyen 3 boyutlu şekiller alır.

Bununla birlikte, AlphaFold’ın teknolojisi, bağışıklık sistemimizi ve mevcut aşıları atlayabilen viral proteinler dahil olmak üzere biyorusal oluşturmak için kullanılabilecek, yepyeni proteinlerin üretilmesinin kapısını da açtı.

“İyi için kullanılabilecek her şey, kötü için de kullanılabilir,” dedi Johns Hopkins Üniversitesi biyofizik profesörü (emekli) George Rose.

Mevcut tarama araçları, bilinen tehditlerle amino asit dizilerinin ne kadar benzer olduğuna bakarak yeni tehlikeli veya kısıtlı molekülleri tanır. Ancak sorun, YZ’nin daha önce hiç görmediğimiz görünümlü proteinler üretebilmesi. İşte yeni filigranlama tekniği bu sorunu çözmeyi hedefliyor.

DeepMind ekibi, filigranlama çalışmalarını SynthIDBio adını verdikleri birbirine ilgili tekniklerin bir “ailesi” olarak tanımladı. Bu ailenin ilk üyesi SynthIDBio-sequence, filigranları ProteinMPNN adlı bir program tarafından oluşturulan proteinlerin amino asit dizilerine kodlar.

Bir proteinin 3 boyutlu şekli büyük ölçüde amino asit dizisine, yani yapı taşlarının sırasına bağlıdır. Hücrelerde bu yapı taşları ribosomlar (resimde) tarafından birleştirilir.

(Görsel kredisi: STEVEN MCDOWELL/SCIENCE PHOTO LIBRARY via Getty Images)

Kullanıcılar ProteinMPNN’e proteinleri için istenen 3 boyutlu şekli söylediğinde, program nihayetinde o şekle katlacak amino asit seçeneklerini seçer. SynthIDBio-sequence, programın her amino asidi seçme biçimini gizli bir filigranlama “anahtarı”na göre hafifçe etkiler. Dizi oluşturulduktan sonra, gizli kodu bilen herkes dizinin anahtarın etkisi altında oluşturulmuş olma olasılığını değerlendirebilir. Son çalışmalarında, DeepMind ekibi, bu filigranla inşa edilen proteinlerin, filigransız proteinler kadar iyi hedeflere bağlanabildiğini gösterdi.

Sentetik bir teknikle eş anlamlı olan SynthIDBio-structure ise bir filigranı doğrudan proteinin yapısına yerleştirir. Bunu, DeepMind’in öne çıkan protein tahmin algoritması AlphaFold 3’ün işlevini değiştirerek yapar.

AlphaFold bir yapıyı tahmin ettiğinde, SynthIDBio-structure ona yan görev verir: YZ’nin proteindeki atomların diziliminde çok küçük düzenlemeler yapması gerekir. Bu düzenlemeler daha sonra bir algılayıcı tarafından tespit edilebilir ve açıkbozulma gibi görünmeyecek kadar küçüktür.

Bir testte, bu iki sistem inanılmaz bir doğrulukla tespit edilebilen gizli filigranlar oluşturdu; filigranlı proteinlerin yüzde 99’dan fazlasını işaretledi ve filigransız proteinlerin yüzde 99,9’unu doğru şekilde görmezden geldi.

Bir protein filigranı nasıl aşılır

Live Science, SynthIDBio’nun etkileyici bir teknik başarı olduğunu kabul eden birkaç uzmanla görüştü. Ancak, yaygın uygulamaya hazır olmadığı söyledi.

İki yöntem de “etkili ama kırılgan” — Microsoft’ta başlıca uygulamlı bilim insanı olan Bruce Wittmann, Live Science’a bir e-posta ile bu değerlendirmeyi iletti. Çünkü DeepMind ekibi de makalelerinde belirttiği gibi, bu filigranlar kolayca kaldırılabiliyor.

“Dizilerde filigranlar ‘yeniden dizileme’ yoluyla kaldırılabilir — yani protein amino asidi dizisi öyle değiştirilir ki, filigran artık algılanamaz hale gelir,” dedi Wittmann. “Yapılarda ise filigranlar, yapının uzaysal koordinatlarına gürültü eklenerek ya da bu koordinatların başka biçimlerde değiştirilmesiyle kaldırılabilir.” Tarama araçları bir proteinten filigranın kaldırılmış olup olmadığını tespit edemez.

Uzmanlar, filigranlamanın biyogüvenlik için uzun vadeli bir çözüm sunacağı konusunda da kuşkuludur.

Kalıcı bir filigran, kötü niyetli bir proteinin ilk kim tarafından üretildiğini belirtebilir ya da bir kullanıcının bir protein üretimi yazılımına izinsiz eriştiği anı ortaya koyabilir. Bu, bazı suçluları caydırabilir; ancak biyolojik bir silah için yeni bir protein üretmeye çalışan teröristlerin, başarılı bir saldırının ardından kim oldukları konusunda endişelenmeleri daha az olasıdır, dedi İsviçre’deki Spiez Laboratuvarı’nda kimyasal, biyolojik, radyolojik ve nükleer silah uzmanı Max Brackmann.

Ayrıca, protein tahmini ve üretimi için kullanılan yazılımların büyük çoğunluğu açık kaynaklıdır; yani kodların büyük bir kısmı kullanıma ve değiştirilmeye açık durumdadır. Bu da filigranlamayı bu programların içine yerleştirmayı çok daha zorlaştırır. Wittmann, filigranların bir sektör standardı haline gelebilmesi için alanın kapalı kaynaklı modellere yönelmesi gerektiğini uyardı.

Sadece Live Science Pro’ya özel

• Yapay zeka, “imkânsız” matematik problemlerini çözüyor. Dünyanın en iyi matematikçilerini geride bırakabilir mi?
• Bazı çalışmalar, yapay zeka ile yazılan kodun biyomedikal analizde insanları geride bırakabildiğini gösteriyor. Bu alan için ne anlama geliyor?
• Yapay zeka, dünyada en çok çalışılan şifreleme sistemlerinden birinde bir zayıflık buldu — veriniz tehlikedemi?

Şu eklemeyi de yaptı: Filigranlama, tek başına bir koruma sunmaktan çok, biyogüvenlik savunma kalkanının bir katmanı olarak işlev görebilir. Yukarıdan gelen düzenlemeleri uygulamak zor olacaktır. “Düzenlemelerin takip edildiğinden emin olmanın çok zor olacağını hayal ediyorum,” dedi.

Rose, üretken proteinlerin düzenlenmesine ilişkin olarak düzenleyicilere dair daha doğrudan görüşler belirtti.

“Bunun işe yaramayacağından eminim,” dedi. “Bir şeyler yapan tatlı bir teknoloji ortaya çıktığında, onu gizli tutmak için yapılan devlet düzenlemeleri hiçbir zaman gerçekten başarılı olmadı.”

Stutz, D., Cowen-Rivers, A.I., Ortiz-Jimenez, G., et al. (2026) Function-preserving watermarking of AI-generated proteins. Nature. https://doi.org/10.1038/s41586-026-10965-y

Live Science Pro’yu geliştirmemize yardımcı olun: İçeriğimizi her zaman daha iyi hale getirmeye çalışıyoruz. Pro hakkında geri bildiriminizi buradan bırakın.