Yapay Zekanın Karşılaştığı Beş Önemli Yapısal Biyoloji Sorunu

Yapay Zekanın Karşılaştığı Beş Önemli Yapısal Biyoloji Sorunu

Alena Khmelinskaia, özel protein tasarımının yemek siparişi vermek kadar kolay olmasını hayal ediyor. Münih Ludwig Maximilian Üniversitesi'nde biyofiziksel kimya uzmanı olan Khmelinskaia, araştırmacıların istedikleri protein özelliklerini belirleyerek mükemmel tasarıma ulaşabileceği bir sistemin ideal olacağını söylüyor.

Henüz bu hedefe ulaşılamadı, ancak hesaplamalı protein tasarımı ve makine öğrenimi alanındaki ilerlemeler bunu her zamankinden daha yakın hale getiriyor.

Eskiden araştırmacılar, bakteriler veya mayalar üzerinde mutasyonlar oluşturarak proteinleri değiştiriyordu. Alternatif olarak, proteinlerin amino asit dizilimini manuel olarak değiştirmek mümkündü, ancak bu zaman alıcıydı ve yanlış katlanma riski taşıyordu.

Yapay Zekanın Protein Tasarımına Etkisi

Makine öğrenimi, protein tasarımında devrim yarattı. Araştırmacılar artık RFdiffusion ve Chroma gibi yapay zeka destekli araçlarla yeni protein yapıları oluşturabiliyor. ProteinMPNN, belirli bir yapıya uygun amino asit dizisini belirleyebiliyor. RoseTTAFold ve AlphaFold gibi araçlar ise bu yapıların doğru katlanıp katlanmayacağını tahmin ediyor. Ancak fiziksel testler halen gerekli.

AlphaFold’un geliştirilmesi, 2024 Nobel Kimya Ödülü'nü kazandırdı. Araştırmacılar, protein tasarımının insanlığa büyük fayda sağlayacağını düşünüyor. Ancak hâlâ aşılması gereken bazı büyük engeller var.

1. Güvenilir Bağlayıcılar Geliştirmek

Proteinlerin birbirine nasıl bağlandığını tahmin etmek, ilaç endüstrisi için önemli bir konu. RFdiffusion ve AlphaProteo gibi yapay zeka araçları sayesinde artık hedeflenen proteinlere bağlanabilen moleküller üretmek mümkün. Ancak bağlayıcılar, özellikle az veriyle eğitildiğinde, güvenilir olmayabiliyor. Küçük moleküllerle bağlanma verileri genellikle özel şirketlerin elinde ve halka açık veriler yetersiz.

DeepMind’in AlphaFold3 modeli, küçük moleküllerle protein etkileşimlerini tahmin etmede önemli ilerlemeler sağladı. Ancak sadece bağlanmanın gerçekleşmesi, ilacın istenen etkiyi göstereceği anlamına gelmiyor.

2. Yeni Enzimler Tasarlamak

Araştırmacılar, yapay enzimlerin çevre kirliliğini azaltmak gibi görevlerde kullanılabileceğini düşünüyor. Ancak protein yapılarının benzer olması, aynı işlevi gördükleri anlamına gelmiyor. Ayrıca, doğal enzimler her zaman ideal bir başlangıç noktası olmayabilir.

RFdiffusion ile geliştirilen enzimlerden bazıları yeni kimyasal tepkimeler oluşturabildi, ancak enzimlerin dinamik doğası hâlâ tam olarak modellenemiyor.

3. Konformasyonel Değişimler

Proteinler sabit yapılar değildir; farklı ortamlarda açılıp kapanabilir, bükülebilir veya esneyebilirler. Ancak deneysel yöntemler genellikle en stabil konformasyonu gösterir, aktif haldeki formu değil.

Bu hareketlerin hesaplanması çok zordur, çünkü olası şekil değişiklikleri astronomik boyutta fazladır. Yapay zeka modelleri bu tahminleri daraltmaya yardımcı olabilir, ancak yeterli eğitim verisi bulunmamaktadır.

4. Karmaşık Protein Yapıları Tasarlamak

Yeni proteinler, hücrelere ilaç taşıyan veya hatalı katlanmış proteinleri düzelten yapılar oluşturmak için kullanılabilir. 2022'de Güney Kore’de ve 2023'te İngiltere’de onaylanan SKYCovione COVID-19 aşısı, yapay protein tasarımının tıbbi alanda uygulanabileceğini gösterdi.

Khmelinskaia, ilaç taşıyabilecek içi boş nanopartiküller üzerinde çalışıyor. Ancak protein tasarımında daha karmaşık sistemler oluşturmak hâlâ büyük bir zorluk.

5. Moleküler Makineler Tasarlamak

Hareketli protein yapıları, örneğin bakteriyel kamçılar gibi biyolojik makineler üretmek için kullanılabilir. Ancak bu tür yapılar için yeterli veri bulunmadığından, yapay zeka modelleri bu alanı tam olarak simüle edemiyor.

Sonuç: Yapay zeka, protein tasarımını büyük ölçüde ilerletmiş olsa da hâlâ çözülmesi gereken önemli bilimsel sorunlar var. Daha fazla veri, daha iyi algoritmalar ve biyofiziksel anlayış ile bu engellerin aşılması mümkün olabilir.

Nature 635, 246-248 (2024) https://doi.org/10.1038/d41586-024-03595-9