Yapay Zeka Protein Tasarımında Taklit Tuzağından Kurtuldu

Hızlı Erişim / İçindekiler

• Doğal Dizilimleri Taklit Etmenin Görünmez Sınırları
• PottsMPNN: Birebirlikten Çoktan Çoka Geçiş
• Gürültülü Yapılar ve Enerji Haritalarının Gücü
• Biyoteknolojide Yeni Nesil Yapay Zeka Dönemi

Kelimelerin bir araya gelerek anlamlı cümleler kurması gibi, amino asit dizilimleri de birleşerek yaşamın temel yapı taşları olan proteinleri inşa eder. Bilgisayar destekli moleküler biyoloji süreçleri, AlphaFold2 mimarisinin hayatımıza girmesiyle birlikte daha önce hayal dahi edilemeyen bir ivme kazandı. Günümüzde laboratuvar ortamında istenen üç boyutlu yapılara sahip yapay proteinler üretmek için gelişmiş algoritmalardan yararlanılıyor. Ancak bu sistemlerin önünde uzun süredir fark edilmeyen büyük bir yazılımsal engel bulunmaktaydı. Mevcut modeller, doğadaki proteinlerin dizilimlerini kusursuzca kopyalamaya programlandığı için biyofiziksel açıdan en kararlı ve işlevsel sonuçları üretmekte zorlanıyordu. Yapılan yeni bir bilim araştırması, yapay zekayı bu taklit tuzağından kurtararak çok daha esnek ve gerçekçi protein tasarımları yapmanın önünü açtı.

Doğal Dizilimleri Taklit Etmenin Görünmez Sınırları

Protein tasarımı süreçlerinde en kritik adımlardan biri, hedeflenen omurga yapısını sabitleyecek en uygun amino asit zincirini bulmaktır. Şimdiye dek geliştirilen yapay zeka modelleri, bu görevi başarırken "Doğal Dizilim Kurtarma" (NSR) adı verilen bir başarı metriğini temel alıyordu. Bu metrik, bilgisayarın tasarladığı dizilimin doğadaki orijinal yapıya ne kadar benzediğini ölçer. Ancak doğanın evrimsel süreçte ürettiği dizilimler, biyofiziksel kurallara göre her zaman "en mükemmel" ya da en düşük enerjili seçeneği temsil etmez. Araştırmacılar, mevcut algoritmaların doğal dizilimleri taklit etme konusunda aşırı optimize edildiğini (overoptimization) ve bu durumun pratik mühendislik görevlerinde performansı ciddi ölçüde düşürdüğünü kanıtladı. Doğayı birebir kopyalamaya çalışmak, yapay zekanın çok daha işlevsel moleküller keşfetmesini engelliyordu.

PottsMPNN: Birebirlikten Çoktan Çoka Geçiş

Eski algoritmalar, proteinin geometrik yapısı ile amino asit dizilimi arasında "birebir" bir ilişki olduğunu varsayarak hareket ediyordu. Oysa biyolojinin temel kuralları, aynı geometrik şeklin ve katlanmanın yüzlerce farklı dizilim varyasyonuyla da elde edilebileceğini gösterir. Bu felsefeden yola çıkan bilim insanları, "PottsMPNN" adını verdikleri yeni bir model geliştirdi. Bu yeni mimari, tek bir hedef dizilim üretmek yerine, protein omurgasındaki tekil kalıntıları ve kalıntı çiftlerini analiz ederek bütünsel bir enerji fonksiyonu ortaya koyuyor. Sistem, yapı ile dizilim arasındaki bağın "çoktan çoka" (many-to-many) olduğunu kavradığı an, doğal dizilim taklit etme oranı matematiksel olarak düşse de üretilen yapay proteinlerin kalitesi ve mutasyonların enerji etkilerini tahmin etme başarısı zirveye ulaştı.

Gürültülü Yapılar ve Enerji Haritalarının Gücü

Algoritmanın esnekliğini ve problem çözme yeteneğini daha da artırmak adına araştırmacılar eğitim sürecine bilinçli olarak "gürültü" ekledi. PottsMPNN modeli, hafifçe bozulmuş omurga yapıları ve çoklu dizilim hizalamaları (MSA) ile eğitildi. Bu zorlu eğitim veri seti karşısında yapay zeka, kalıpları ezberlemek yerine protein fiziğinin altında yatan temel kuralları ve enerji peyzajını öğrenmek zorunda kaldı. Test aşamalarında, sistemin doğadaki orijinal dizilimleri yakalama oranı kasıtlı olarak düşürüldü. Fakat bu durum, tasarlanan yeni dizilimlerin stabilitesini ve hedef yapıya uyumluluğunu şaşırtıcı bir biçimde artırdı. Taklitçilikten sıyrılan algoritma, doğanın milyarlarca yıllık evrim sürecinde henüz denemediği ama biyolojik olarak kusursuz çalışabilecek yeni moleküler formlar üretmeye başladı.

Biyoteknolojide Yeni Nesil Yapay Zeka Dönemi

Bu metodoloji değişimi, protein mühendisliği ve tıp dünyasında yeni bir dönemin kapısını aralıyor. Doğal dizilim taklidi takıntısından vazgeçmek, laboratuvar ortamında daha önce var olmamış enzimlerin, targeted (hedefe yönelik) ilaç bileşenlerinin ve akıllı biyomalzemelerin üretilmesini kolaylaştıracaktır. Yapay zekanın biyofiziksel enerji haritalarını doğru okuyabilmesi, mutasyonların kanserli hücreler veya virüsler üzerindeki etkilerini önceden tahmin etme kabiliyetimizi de güçlendiriyor. Modelleri sadece var olanı kopyalamaya değil, doğanın fizik kuralları çerçevesinde özgürce yaratmaya yönlendirdiğimizde, sentetik biyolojinin sınırları da moleküler düzeyde yeniden çizilmiş oluyor.

Referans: DOI: https://doi.org/10.1073/pnas.2535494123

BilimBox Yorumu: Yapay zekanın gelişim sürecinde sıkça düştüğümüz bir hata var: İnsanın ya da doğanın ürettiği ham veriyi "mutlak mükemmellik" sanıp algoritmalara bunu ezberletmeye çalışıyoruz. Protein tasarımında yıllardır takılıp kaldığımız o doğal dizilimleri kopyalama ısrarı da tam olarak bu zihniyetin bir ürünüydü. Oysa evrim, en kusursuz olanı değil, o anki çevre şartlarında "yeteri kadar iyi çalışan" yapıyı seçer. Bilim insanlarının yapay zekaya "Doğayı birebir kopyalamak zorunda değilsin, önemli olan fiziksel enerji kurallarına uyman" esnekliğini tanıması, bilgisayarlı biyolojide çok büyük bir zihniyet devrimidir. PottsMPNN gibi modeller sayesinde artık doğanın kendi kısıtlı kütüphanesine mahkum kalmayacağız. Bu esneklik, gelecekte hiç bilmediğimiz hastalıklara karşı doğada hiç var olmamış panzehir molekülleri sıfırdan tasarlamamıza olanak tanıyacak. Ezbercilikten sıyrılıp işin matematiğini çözen bir yapay zeka, insanlığın biyoteknoloji çağındaki en büyük yardımcısı olacaktır.