Bu makale, Science X’in editoryal süreçlerine ve politikalarına uygun olarak hazırlanmıştır. Editörler, içeriğin güvenilirliğini sağlamak için şu özellikleri vurgulamıştır: doğruluk kontrolü, hakem değerlendirmesi, düzeltme.
Proteinlerin işlevi, yapılarıyla belirlenir ve yapısı ise, proteinleri oluşturan amino asit dizisinin belirlediği şekliyle oluşur. Birçok yeni protein tasarlama yöntemi, örneğin hücrelerimizdeki hastalık yaratan moleküllere bağlanabilen proteinler, iki aşamalı bir süreç içerir: İlk olarak yapı belirlenir ve ardından makine öğrenimi aracılığıyla o yapıyı potansiyel olarak benimseyebilecek dizilerin bir repertuvarı oluşturulur.
Doğada, aynı yapıya sahip birçok farklı amino asit dizisi bulunabilir. Aynı zamanda, bir amino asit dizisi, proteinin esnekliğine veya bir tetikleyici faktöre bağlı olarak farklı yapılar benimseyebilir. Bu nedenle, araştırmacılar yapay zekayı kullanarak yeni proteinler tasarladığında, yapay zekanın “birçok potansiyel çözümün” olduğunu, yani aynı yapıyı benimseyebilecek birçok dizinin bulunduğunu “görmesini” sağlamak önemlidir.
Biyoloji Bölümü’nün başı olan ve Jay A. Stein (1968) Biyoloji Profesörü, biyolojik mühendislik profesörü ve PNAS dergisinde yakın zamanda yayınlanan bir makalenin kıdemli yazarı olan Amy E. Keating, “Yıllardır, bu alandaki başarı, evrimin seçtiği protein dizisini yeniden üretebilmenin başarısı olarak ölçülmüştür; ancak çalışmamız, bunun protein tasarımı için en iyi metrik olmadığını göstermektedir” diyor.
Biyoloji Bölümü tarafından geliştirilen yeni bir makine öğrenimi çerçevesi olan PottsMPNN, protein yapısını ve stabilitesini yöneten fiziksel prensipleri içerir, bu da dizi üretimini ve mutasyonların bir proteinin stabilitesi üzerindeki etkisini tahmin etme yeteneğini artırır. Başka bir deyişle, model, her amino asidin kimliği ile proteinin stabilitesi arasındaki ilişki olan “dizi-enerji manzarasını” daha iyi anlamaktadır.
Bu çerçeveyi bir protein tasarım sürecine eklemek, araştırmacıların yapısal olarak uygun ve herhangi bir doğal proteinden farklı dizilere sahip proteinler tasarlamasına olanak tanır.
Öğrenci ve baş yazar Foster Birnbaum, “Tamamen yeni, tasarlanmış bir yapı düşünüyorsak, karşılaştırılabilecek hiçbir doğal dizi olmazdı” diyor. “Aslında ilgilendiğimiz şey, üretilen dizilerin istenen yapılara ne kadar olasılıkla katlanacağı, modelin dizi-enerji manzarasını ne kadar iyi anladığı ve mutasyonların proteinin stabilitesi üzerindeki etkisini ne kadar iyi tahmin edebildiğidir.”
Gürültünün Ötesinde
Yapay zekanın sosyal alanda bazı önemli değişikliklere yol açtığı gibi, biyolojik araştırmaların hızını ve kapsamını da artırmıştır. Hesaplamalı bir model kullanılarak bir protein yapısı veya dizisi oluşturmanın güvenilir hale geldiği zamana kadar henüz çok geçilmemiştir. Bugün en yaygın kullanılan model ise 2022’de yayınlanmıştır.
Foster Birnbaum, “Biyoloji alanındaki makine öğrenimi kadar hızlı gelişen bir alanda, bu modelin hala geliştirilemediğini ve bunun nedenini anlamaya çalıştık” diyor.
Birnbaum, protein yapısı eğitimi sırasında bir yapıya varyasyonlar ekleyerek, araştırmacıların “gürültü” olarak adlandırdığı şeyi stratejik olarak kullanma fikriyle ilgilenmiştir. Gürültü, modelin doğal dizileri aşırı taklit etme eğilimini azaltır ve böylece daha çeşitli yapılar için diziler oluşturabilmesini sağlar.
PottsMPNN ayrıca, amino asitler arasındaki etkileşimleri yakalamak için bir çiftli dağılım kullanır. Bir proteindeki her iki pozisyonda da 20 olası dizi seçeneğinin fiziksel etkileşimlerini hesaba katabilmek, PottsMPNN’nin diğer yöntemlere göre dizi-enerji manzarasını daha doğru modellemesinin temel nedenlerinden biridir.
Son olarak, Birnbaum, PottsMPNN çerçevesini eğitirken, modelin aynı katlanmış yapıya sahip farklı dizilerin nasıl olabileceğini öğretmek için evrimsel olarak ilişkili dizi kümelerini dahil etmiştir.
Birnbaum, doğal dizilerden uzaklaşmaya çalışırken, bazı açılardan yine de onlara bir bağımlılık olduğunu kabul etmektedir. Ancak PottsMPNN, modelin doğal dizilere ne kadar az bağımlı hale geldiği ölçüde, yapısal uyumluluğun ve enerji tahmininin, yeni proteinler için bile iyileştiğini göstermiştir.
Yapay Zeka Çağında Protein Tasarımı
Birnbaum, “İstediğimiz herhangi bir proteini tasarlayabildiğimiz zaman, bu, potansiyel olarak çok sayıda biyolojik mühendislik uygulamasını mümkün kılar” diyor. “Bu zorlu bir görev olsa da, bu yüzyılda biyolojide kaydedilecek ilerlemeler konusunda gerçekten iyimserim.”
Birnbaum’un modelin daha da geliştirilebileceğini ve belirli bir göreve ince ayar yapılabileceğini ummaktadır, bu da geçmişte daha iyi tahminlere yol açmıştır, örneğin belirli bir mutasyonun sonucu hakkında.
Sonuç olarak, Keating’e göre “Yöntemlerimiz, çeşitli uygulamalar için kullanışlı, doğada bulunmayan yeni proteinlerin tasarlanması yönünde ilerlemeyi desteklerken, gelecekteki gelişmeler için daha sağlam bir temel oluşturmaktadır.”
Yayın Detayları: Foster Birnbaum ve diğerleri, Doğal dizi kurtarma ötesinde: Protein yapılarının dizi-enerji manzarasını iyileştirme, Proceedings of the National Academy of Sciences (2026). DOI: 10.1073/pnas.2535494123
Dergi Bilgileri: Proceedings of the National Academy of Sciences
Temel Kavramlar: Evrim, Moleküler; Konformasyon ve Topoloji; Etkileşimler ve Kuvvetler; Yapısal Özellikler; Biyomoleküller; Biyoenformatik.
Bu hikayenin arkasındaki kişi: Biyolojik matematik alanında lisans, yaratıcı yazarlıkta yüksek lisans derecesi. Eşsiz bilimsel ve dilsel bakış açılarına sahip, dünyayı gezmiş bir profesyonel. Tam profil →
Bu haber MIT News (web.mit.edu/newsoffice/) tarafından sağlanmıştır.
Kaynak: Phys.org
