Yapay Zeka Sistemleri ve Protein

Giriş

Antikorlar, bağışıklık sistemi tarafından üretilen küçük proteinlerdir. Virüslerin belirli bölgelerine bağlanıp onları etkisiz hale getirebilirler. Bilim insanları Covid-19′a neden olan SARS-CoV-2 virüsüyle savaşlarına devam ederken, sentetik antikorlar olası bir silahtır. Bunlar virüslerin spike proteinlerine bağlanıp insan vücuduna girmesini engeller.

Başarılı bir sentetik antikor geliştirmek için öncelikle bilim insanları bağlanmanın tam olarak nasıl gerçekleştiğini anlamalılar. Proteinler 3 boyutlu işlem görmemiş yapılarında çok fazla kıvrım bulundururlar ve bunlar birbirlerine milyonlarca farklı kombinasyonlarla tutunabilir. Yani doğru protein kompleksini bulmak neredeyse sayısız aday ortaya çıkarır ve bu çok büyük bir vakit kaybıdır.

İşlemleri düzene sokmak için MIT araştırmacıları bir öğrenme-makinesi modeli oluşturdu. Bu model direkt olarak iki protein birbirine bağlandığında oluşacak kompleksi tahmin edebilir. Onların tekniği, son teknoloji yazılım metodlarından 80 ve 500 kat arasında daha hızlı ve çoğunlukla tahmin edilen protein yapıları deneyler sonucu elde edilen protein yapılarıyla yakın benzerliğe sahipler.

Bu teknik bilim insanlarına biyolojik süreçteki bazı protein etkileşimlerini daha iyi anlama konusunda yardımcı olabilir. DNA replikasyonu ve onarımı gibi ayrıca yeni ilaçlar geliştirme sürecini de hızlandırabilir. MIT bilgisayar bilimi ve yapay zeka laboratuvarında (computer Science and Artificial Intelligence Laboratory (CSAIL)) doktora sonrası ve ortak yönetici makale yazarı Octavian-Eugen Ganea diyor ki “Derin öğrenme, kimyager ve biyologlar için deneysel olarak yazması zor olan farklı proteinlerdeki karşılıklı etkileşimleri yakalamak için çok iyidir. Bazı etkileşimler çok karmaşıktır ve insanlar hala onları açıklamak için iyi bir yol bulamamıştır. Derin-öğrenme modeli verilerden bu tür etkileşimleri öğrenebilir.”

Xinyuan Huang, Ganea’nın ortak baş yazarı ve ETC zürihte lisans öğrencisi.  Ayrıca diğer MIT ortak yazarları; Regina Barzilay, Mühendislik Fakültesi CSAIL’de Yapay Zeka ve Sağlık Alanında Seçkin Profesör ve Tommi Jaakkola, CSAIL’de Thomas Siebel Elektrik Mühendisliği Profesörü ve Veri, Sistem ve Toplum Enstitüsü üyesi. Araştırma, Uluslararası Öğrenme Temsilleri Konferansı’nda sunulacaktır.

Protein Bağlanması 

Adı Equidock olan araştırmacıların geliştirdiği model, sert gövde kenetlenmesine odaklanır. Bu durum iki protein dönerken ya da 3 boyutlu boşlukta ilerlerken ortaya çıkar fakat şekilleri ezilmez veya bükülmez.

Model iki proteinin 3 boyutlu yapısını alıyor ve 3 boyutlu grafiğe dönüştürüyor ve böylece nöral ağ tarafından kullanılabilir hale getiriyor. Proteinler amino asit zincirlerinden meydana gelirler ve grafikteki her bir boğum bir amino asidi temsil eder.

Araştırmacılar geometrik bilgiyi modelin içine dahil ettiler. Böylelikle eğer objeler 3 boyutlu boşlukta dönmüş ya da ötelenmişse, objelerin nasıl değişime uğradığını anlıyorlar. Ayrıca model 3 boyutlu boşlukta nerede bulunurlarsa bulunsun, proteinlerin aynı şekilde bağlandığından emin olmak için matematiksel bilgiye de sahip. Proteinler insan vücuduna bu şekilde kenetlenirler.

Bu bilgiyi kullanarak, makine-öğrenme sistemi, etkileşime girme ve kimyasal reaksiyon oluşturma ihtimali en yüksek olan iki proteindeki atomları belirler, bu durum bağlama-cep noktaları olarak da bilinir. Daha sonra bu noktaları iki proteini komplexin içinde bir araya getirmek için kullanıyor.

Ganea açıklıyor, “Eğer proteinlerden hangi bireysel parçaların bağlayıcı cep noktaları gibi olduğunu anlayabilirsek, iki proteini bir araya getirmek için ihtiyacımız olan bütün bilgiyi elde ederiz. Bu iki proteinin gruplarını bulabildiğimizi farz edersek, sonrasında proteinin nasıl döndüğünü ve ötelendiğini bulabiliriz, böylece bir grup diğer grupla eşleşir.”.

Bu modeli inşa ederken en büyük zorluklardan birisi veri eksikliğinin üstesinden gelmekti. Ganea diyor ki “Çünkü proteinler için çok az sayıda deneysel, 3 boyutlu veri bulunduğundan, geometrik bilgilerin Equidock’a dahil edilmesi özellikle önemliydi.” Bu geometrik sabitler olmasa, model veri gruplarından yanlış korelasyonları seçebilir.

Saniyeler Saatlere Karşı 

Model eğitildikten sonra, araştırmacılar onu 4 yazılım metoduyla karşılaştırdılar. Equidock, son protein kompleksini 1 ila 5 saniye sonra tahmin edebildi. Bütün temel değerleri ise, 10 dakikadan 1 saate ya da çok daha uzun sürede tahmin edebildi.

Kalite ölçümlerinde, tahmin edilen protein kompleksinin gerçek protein kompleksiyle ne kadar yakından eşleştiğini hesaplayan Equidock, genellikle temel değerlerle kıyaslanabilir olsa da bazen onlardan daha düşük performans gösterdi.

“Biz hala temel değerlerin arkasında kalıyoruz. Bizim metodumuz hala geliştirilebilir ve hala faydalı olabilir. Binlerce proteinin nasıl etkileştiğini ve komplex form oluşabildiğini anlamak için çok büyük sanal gösterimde kullanılabilir. Yöntemimiz, çok hızlı bir başlangıç aday seti oluşturmak için kullanılabilir ve sonradan daha yavaş ama geleneksel yöntemlerle daha ince ayarlar verilebilir.”

Bu metodu geleneksel metodlarla kullanmanın yanı sıra, ekip daha doğru tahminler yapabilmesi için belirli atomik etkileşimleri Equidock’a dahil etmek istiyor. Mesela, bazı zamanlar su molekülleri içeren proteinlerin içindeki atomlar hidrofobik etkileşimlerle bağlanırlar.

Ganea, tekniklerinin küçük, ilaca benzer moleküllerin geliştirilmesinde de uygulanabileceğini söylüyor. Bu moleküller protein yüzeyine spesifik yollarla bağlanırlar, bu nedenle bağlanmanın nasıl gerçekleştiğini hızlı bir şekilde belirlemek, ilaç geliştirme zaman çizelgesini kısaltabilir.

Gelecekte, esnek protein yerleştirme tahminleri yapabilmesi için Equidock’u geliştirmeyi planlıyorlar. Buradaki en büyük engel, eğitim için veri eksikliği. Ganea ve çalışma arkadaşları modeli geliştirmek için kullanacakları sentetik verileri oluşturmak için çalışıyorlar.

Kaynak: https://phys.org/news/2022-02-artificial-intelligence-rapidly-proteins.html

Görsel Kaynak: https://legelaw.com/tr/yapay-zeka-ve-hukuki-durumu-i/

Editör: Ecem Bolat