NTU Singapore AI Araçları Türler Boyunca Protein Faz Ayrışmasını Haritalıyor

著者 / 編集者: Barış Özdemir•12 Ekim 2026

✓ Editorially Verified

Singapur’daki Nanyang Technological University (NTU Singapore) bilim insanları, hücrelerdeki proteinlerin faz ayrışması adı verilen bir süreçle hangi proteinlerin ayrışacağını daha doğru şekilde tahmin etmeyi sağlayabilecek yapay zeka destekli bir veri tabanı ve platform geliştirdi.

Araçlar; hayvanlar, bitkiler, mantarlar ve bakteriler gibi tek hücreli organizmalar da dahil olmak üzere çeşitli canlılardan tahmini faz ayrıştıran proteinlerin sistematik analizi sonucunda ortaya çıktı. Analizlerden bilim insanları aynı zamanda faz ayrışma süreci hakkında temel içgörüler de edindi.

Araştırma, NTU’nun Biyolojik Bilimler Fakültesi ve Dijital Moleküler Analitik ve Bilim Enstitüsü (IDMxS)’nden Profesör Miao Yansong önderliğinde; NTU’nun Elektrik ve Elektronik Mühendisliği Fakültesinden Profesör Gao Weibo ile iş birliğiyle yürütüldü. Sonuçlar hastalıklar ve yaşlanma konusundaki anlayışı ilerletmek ve mahsülleri iyileştirmek için kullanılabilir.

Hem yapay zeka araçları hem de araştırma bulguları Molecular Plant adlı dergide yayımlandı.

Proteinlerin ayrışmasının tahmini

Faz ayrıştıran proteinler çevrelerinden ayrılarak damla benzeri bölgelerde yoğunlaşır ve hücrelerin molekülleri bir araya getirerek stres hızlı tepkiler vermek için reaksiyonları hızlandırmaya veya baskılamaya olanak tanır.

Faz ayrışmasındaki bozulma, bu proteinlerin kanser ve Alzheimer hastalığı gibi nörodejeneratif hastalıklarla ilişkilendirilen anormal yoğunlaşmalara veya birikimlere yol açabilir. Bitkilerde ise faz ayrışmandaki değişimler stres tepkilerindeki azalma ve mikrop patojenlerine karşı düşük bağışıklık ile ilişkilidir.

Faz ayrıştıran proteinleri tanımlamak ve bu davranışın nasıl düzenlendiğini belirlemek; hastalık ve yaşlanma konusunda biyomedikal araştırmalardan sürdürülebilir tarıma kadar geniş bir uygulama yelpazesinde önemlidir. Ancak faz ayrıştıran proteinlerin karmaşık yapılara dinamik olarak birleşmesi ve çok sayıda hücre bileşeniyle etkileşmesi, doğru tahmini zorlaştırır.

Bu zorlukların üstesinden gelmek için çeşitli organizmalar arasında kapsamlı deneysel veri setleri ve sistem düzeyinde bilgi gerekir. Ayrıca mevcut koleksiyonların çoğu öncelikle tam uzunluklu proteinlere odaklanırken, doğrulanmış negatif deneysel sonuçları, kısaltılmış proteinleri ve mutasyon gibi dizі varyantlarını yeterince temsil etmez. Bu dengesizlik genellikle tahmin modellerinin bir proteinin yoğunlaşma eğilimini abartmasına yol açar.

Bu boşluğu doldurmak için NTU ekibi, büyük dil yapay zeka modellerini kullanarak PubMed’de indekslenen bilimsel makaleleri sistematik olarak taramıştır. Araştırmacılar deneyisel olarak test edilen proteinlerin ve faz davranışları hakkında bilgi çıkarmış, ardından bilimsel doğruluğu sağlamak için sonuçları manuel olarak gözden geçirmiştir.

Sonuçta ortaya çıkan PLATO adlı veri tabanı; faz ayrıştıran 3.600’den fazla protein ve ayrışmayan 1.300 proteini içeren 5.118 benzersiz protein dizisi içerir. Mevcut faz ayrışması veri setlerinde nadir olan proteinlerin kısaltılmış sürümlerini, mutasyonları ve mühendislik varyantlarını yakalar. Bu da PLATO’yu daha doğru yapay zeka araçları geliştirmek için değerli bir kaynak haline getirir.

Protein ortaklarının tahmini

Nükleik asitler gibi çok sayıda farklı molekül, proteinleri damlarda organize etmek için faz ayrıştıran proteinlerle etkileşir.

Bu etkileşimleri incelemek için bilim insanları ayrıca PhaseHub adlı bir araç oluşturdu. Önce daha önce geliştirdikleri Makine Öğrenimi algoritması MolPhase’i kullanarak 1.106 türden faz ayrıştıran proteinleri tahmin etti. Ardından MolPhase sonuçlarını, protein bolluğu ve etkileşimleri konusundaki deneysel verilerle birleştirerek çeşitli biyolojik süreçlerdeki çok bileşenli bölgeleri tanımladı.

Bu yaklaşım araştırmacıların bir protein arayabilecekleri veya bir dizі göndererek tahmini faz ayrışma özelliklerini inceleyebilecekleri, potansiyel etkileşimleri görselleştirebilecekleri ve homorepeat olarak bilinen tekrarlı amino asitlerin sürekli dizileri gibi molekuler etkileşimleri etkileyen özellikleri keşfedebilecekleri anlamına gelir.

Bilim insanları ökaryotların—hücreleri bir çekirdek içeren organizmaların—bakteriler gibi çekirdeği olmayan organizmalara göre faz ayrıştırma eğilimi gösteren proteinlerin oranının belirgin derecede daha yüksek olduğunu buldu. Küçük genomlu organizmalar arasında, faz ayrıştıran proteinlerin oranı genome boyutu arttıkça bir düzeye ulaşana kadar yükseldi.

Bulgular, genomik DNA içeriği ile faz ayrışma kapasitesi arasında bir denge öneriyor. Büyük genimler daha Fazla faz ayrıştıran proteini kodlar ki bu da hücre süreçlerini artırabilir. Ancak aşırı yoğunlaşma eğilimi zararlı birikme riskini artırabilir.

“İşimiz, faz ayrıştıran proteinleri anlamak için kapsamlı bir çerçeve sunar ve bu alandaki araştırmacılar için değerli bir kaynak olarak hizmet edecek,” diyerek her iki makalenin de ilk yazarı olan IDMxS araştırma üyesi Dr. Liang Qiyu sözlerini şöyle sürdürdü.

“Yapay zeka ve sistem biyolojisinden yararlanarak deneysel verileri mevcut edebiyattan bulunan bulgularla birleştiren platformlarımız, faz ayrıştırma olasılığı olan proteinleri tahmin etmek ve tanımlamak için doğru, kullanıcı dostu araçlar sunuyor. Bu araçlar; tarımdaki insandaki hastalıklara kadar bu proteinlerin rolleri konusundaki araştırmaları ilerletecek,” dedi Miao.

İşimiz, faz ayrıştıran proteinleri anlamak için kapsamlı bir çerçeve sunar ve bu alandeki araştırmacılar için değerli bir kaynak olarak hizmet edecek.

Dr. Liang Qiyu, IDMxS araştırma üyesi

Araştırma, Molecular Plant dergisinde (2026) PLATO: A new benchmark for phase separation prediction başlıklı makalede DOI: 10.1016/j.molp.2026.07.015 ve From pan-life phase insights to PhaseHub: Analyzing protein condensate complexity başlıklı makalede DOI: 10.1016/j.molp.2026.07.019 yayımlandı.