DeepMind’dan Yapay Zeka ile Prediktif Protein Modellemesinde İlerleme

DeepMind, sadece genetik dizilerine dayanarak, 3 boyutlu protein yapılarını tahmin etmenin karmaşık görevine yardımcı olması için yapay zekanın yararlılığını gösterdi.

Protein yapılarını anlamak, hastalık teşhisi ve tedavisinde önemlidir ve bilim insanlarının insan vücudunu anlamalarını geliştirebilir ve ayrıca protein tasarımı ve biomühendisliğini desteklemeye yardımcı olabilir.  AlphaFold un ürettiği 3 boyutlu protein modelleri, daha önce var olanlardan çok daha hassastır – biyolojideki temel zorluklardan birinde önemli bir ilerleme kaydeder. DNA’daki kalıntı amino asitlerden protein moleküllerinin doğal 3D durumunu (yani protein zincirinin doğal duruma nasıl ulaştığını) tahmin etmek için çeşitli bilimsel yöntemler vardır.

Ancak, 3 boyutlu yapının modellenmesi oldukça karmaşık bir görevdir, protein katlanmasının, amino asitler arasındaki etkileşimler gibi etkenlere bağlı olmasından dolayı ne kadar permütasyon olabileceği göz önüne alınır. İşlenebilir protein formlarını tahmin etmek için insan sezgisinden faydalanmaya çalışan bir kitle kaynaklı oyun (FoldIt) bile var. DeepMind, yaklaşımının, protein yapılarını tahmin etmeye çalışmak için büyük veriyi kullanmakta olan daha önceki araştırmalara dayanarak devam ettiğini söylüyor. Spesifik olarak genomik verilere derin öğrenme yaklaşımları uygular.

Genetik dizilim maliyetleri hızlı bir düşüş göstermektedir. Genetik diziliminde olan genomik alan veri bakımından çok zengin bir alan sayılmaktadır.Derin öğrenme yaklaşımlar ile probleme yönelik son yıllarda daha fazla dikkat çekmektedir. DeepMind’ın bu soruna yönelik çalışmaları AlphaFold ile sonuçlandı.

Ekibin, özellikle daha önce çözülmüş proteinleri şablon olarak kullanmadan, hedef şekilleri sıfırdan modellemenin zor problemine odaklandı. Bir protein yapısının fiziksel özelliklerini tahmin ederken yüksek bir doğruluk derecesi elde edildi ve sonra tam protein yapılarının tahminlerini oluşturmak için iki farklı yöntem kullanıldı.

DeepMind, genetik sekansından protein özelliklerini tahmin etmek için eğitilmiş derin sinir ağlarını kullanmaya dayanan iki yöntemi anlatıyor. Bir proteindeki her bir çift kalıntı arasındaki mesafelerin ayrı bir dağılımını tahmin etmek için bir sinir ağı kuruldu. Bu olasılıklar daha sonra önerilen protein yapısının ne kadar doğru olduğunu tahmin eden bir skorda birleştirildi. Ayrıca önerilen yapının doğru cevaba ne kadar yakın olduğunu tahmin etmek için toplu olarak tüm mesafeleri kullanan ayrı bir sinir ağı kuruldu. Daha sonra, protein yapılarının tahminlerini oluşturmaya, tahminlerini eşleştiren bilinen yapıları araştırmaya çalışmak için yeni yöntemler kullandı.

İlk yöntem, yapısal biyolojide yaygın olarak kullanılan teknikler üzerine kurulmuş ve bir protein yapısının parçalarını yeni protein parçalarıyla tekrar tekrar değiştirmiştir. Önerilen protein yapısının puanını sürekli olarak geliştirmek için kullanılan yeni fragmanları icat etmek için bir üretken sinir ağı kuruldu. İkinci yöntem, küçük, artımlı iyileştirmeler yapmak için makine öğrenmede yaygın olarak kullanılan matematiksel bir teknik olan, alçalma yoluyla skorları optimize edildi ki bu da son derece doğru yapılarla sonuçlandı. Bu teknik, bir araya getirilmeden önce ayrı olarak katlanması gereken parçalardan ziyade tüm protein zincirlerine uygulandı ve tahmin sürecinin karmaşıklığı azaltıldı. Hastalıkları tedavi etmek, çevreyi yönetmek ve daha fazlası üzerinde ölçülebilir bir etkiye sahip olmadan önce yapmamız gereken çok daha fazla çalışma olmasına rağmen, potansiyelin muazzam olduğunu biliniyor.