DeepMind Biyolojik Bilimleri Protein Katlama Problemini Çözerek Dönüştürmeye Hazır

Google’ın AI bölümü DeepMind, biyolojinin en eski zorluklarından birini çözmeye doğru önemli bir ilerleme kaydetti, amino asit dizisinden bir proteinin şeklini hesapladı. Nature’a göre, bu đột phá biyoloji ve kimya alanlarını dönüştürme potansiyeline sahip, bilim insanlarının birçok proteinin işlevini belirlemesine olanak tanıyacak.

Proteinin şekli, işlevini tanımlar ve çoğu biyolojik fonksiyon proteinlere bağlıdır. “Protein katlama” olarak adlandırılan bu süreç, amino asit zincirlerini, proteinlerin işlevlerini gerçekleştirmek için gereken üç boyutlu yapılara dönüştürür. Bilim insanları amino asit dizileri ile oluşturdukları proteinlerin şekli arasındaki ilişkiyi belirleyebilirlerse, hangi proteinlerin farklı biyolojik süreçleri etkilediğini belirleyebilirler.

Bilim insanları, insan proteomunda en az 80.000 protein olduğunu varsayar, ancak bu proteinlerin sadece küçük bir kısmının bilinen yapıları vardır. Bir proteinin şeklini belirlemenin geleneksel yöntemi, laboratuvar deneyleri years alabilir, hatta bilgisayar bilimindeki algoritmalar ve modellerin gücünü kullanmak bile bu süreci hızlandıramaz. DeepMind’in yaptığı çalışma, protein yapılarının keşfini dramatik bir şekilde hızlandırabilir, bilim insanlarının protein yapılarını normal sürenin bir kısmında güvenilir bir şekilde belirlemelerine olanak tanır.

DeepMind’deki araştırmacılar, yaklaşık 170.000 protein dizisi ve bu dizilere karşılık gelen şekillerden oluşan bir veritabanına dayalı algoritmalarını eğittiler. Araştırmacılar tarafından geliştirilen algoritmalar, 100 ila 200 GPU arasında bir sürede birkaç hafta içinde eğitim sürecini tamamladı. Araştırmacıların geliştirdiği model “AlphaFold” olarak adlandırıldı.

AlphaFold, “gerilim algoritması” olarak adlandırılan bir yöntem kullanır, önce küçük protein parçalarını birleştirir, ardından daha büyük ve daha büyük bölümleri birleştirir. İlk olarak küçük amino asit kümeleri birleştirilir, ardından algoritma bu kümeleri birleştirmek için yollar arar.

AlphaFold araştırmacıları, önce geleneksel derin öğrenme algoritmalarını genetik ve yapısal verilere uygulayarak amino asitlerle proteinler arasındaki ilişkiyi tahmin etmeye çalıştılar. AlphaFold daha sonra proteinlerin stilini için konsensus modelleri oluşturdu. Bu tekniğin çok fazla sınırlaması olduğunda, araştırmacılar yeni bir strateji denediler. AlphaFold araştırma ekibi, daha fazla özelliklere dayalı modeller oluşturdu ve bu kez modelin protein dizilerinin nihai yapısını tahmin etmesini sağladılar.

Mühendislik ekibi, AlphaFold’u, bilgisayar algoritmalarının amino asit dizilerinden proteinlerin yapısını değerlendirmek için yarıştığı bir yarışmaya dahil ederek test etti. Yarışma “Protein Yapı Tahmininin Kritik Değerlendirmesi” veya CASP idi. Yarışmacılar, 100 amino asit dizisi ile sağlanır ve modellerinin proteinlerin yapısını belirlemesi gerekir. AlphaFold sadece diğer bilgisayar modellerinden daha doğru değildi, aynı zamanda geleneksel, laboratuvar tabanlı modelleme teknikleriyle karşılaştırılabilir bir performans gösterdi. AlphaFold’un nihai, median puanı yaklaşık 92 üzerinden 100 idi, laboratuvar tabanlı deneysel yöntemler 90 puan aldı. AlphaFold’un median puanı, en zor proteinlerde %87’ye düştü.

DeepMind CEO’su ve kurucu ortağı Demis Hassabis’e göre, şirket already AlphaFold’a erişimi sağlamak için planlar yapıyor, Max Planck Institute for Development Biology’den bilim insanları already on yıldan fazla bir süredir çalıştıkları protein yapılarını keşfetmek için modeli kullanıyor.

Avrupa Biyoinformatik Enstitüsü’nün müdürü Janet Thornton, ScienceMag aracılığıyla alıntı yaptı ve DeepMind’in başarılarının “yapısal biyoloji ve protein araştırmasının geleceğini değiştireceğini” söyledi. Maryland Üniversitesi’nden biyolog Shady Grove, John Moult diyor ki, protein katlama probleminin bu yaşamda çözülmeyeceğini hiç düşünmedi.

AlphaFold’un geleneksel, deneysel protein yapısı belirleme yöntemlerini tamamen değiştirmesi olası değil, ancak protein yapılarının keşfinin hızını dramatik bir şekilde artırabilir. Bilim insanları, protein yapısını belirlemek için daha az yüksek kaliteli deneysel veriye ihtiyaç duyabilir ve already büyük bir genetik veri hacmine erişimi var, AlphaFold’un çözümleri kullanarak bu verileri yapılara dönüştürebilir.