arama

Yapay Zekâda Bugün: Protein Ressamı “AlphaFold”

Yapay zekânın ne kadar önemli bir güç olduğuna ve bilimin geleceğini etkileyecek en büyük potansiyellerden biri olduğuna dair bir kanıt daha: "AlphaFold"
  • paylaş
  • paylaş
  • paylaş
  • paylaş
  • paylaş
  • Erkam Karaca

⌛ Reading time: 4 minutes

Yayınlanma Tarihi: 05 Aralık 2019 13:10

📝 Yazar: Erkam Karaca ✅ Editör: Aysuda Ceylan

Yapay zekanın ne kadar önemli bir güç olduğuna ve bilimin geleceğini etkileyecek en büyük potansiyellerden biri olduğuna dair bir kanıt daha: “AlphaFold”

Credit: Edward Kinsman/Science Photo Library
Kaynak: Nature

Proteinler yaşamımızı sürdürmek için gerekli büyük ve kompleks moleküllerdir. Adeta ikinci kimlik kartımız olan DNA’mızdaki kodlarımız da proteinlerdir ve biyolojik yapımız (göz rengimiz, saç şeklimiz vb.) burada saklanır.

Herhangi bir proteinin yapabilecekleri, eşsiz 3D yapısına bağlıdır. Örneğin, bağışıklık sistemlerimizi oluşturan antikor proteinleri “Y”  şeklindedir ve kancalara benzer. Virüslere ve bakterilere bulaştırılarak, antikor proteinleri hastalığı imha için hastalığa neden olan mikroorganizmaları tespit edebilir ve etiketleyebilir.

Ama bir proteinin 3D şeklini tahmin etmek pek kolay değildir. DNA’nın sadece içindeki aminoasitlerin dizilişini bilmesi bu problemin zorluğunu açıklıyor.

Protein büyüdükçe modellenmesi daha karmaşık ve zor oluyor çünkü hesaba katılması gereken amino asitler arasında daha fazla etkileşim görülüyor. Levinthal Paradoksu’nda belirtildiği gibi, doğru 3D yapıya ulaşmadan önce, tipik bir proteinin olası tüm olasılıklarını numaralandırmak, evrenin yaşından daha uzun sürer.

İşte proteinlerin şeklinin nasıl olduğunu bilemediğimiz için de bu probleme “Protein Katlanma Problemi (Protein Holding Problem)” deniliyor.

Protein katlanmasının anlaşılması, çok sayıda yararı ortaya çıkarabilecek olan protein tasarımına da yardımcı olacaktır. Örneğin, biyolojik olarak parçalanabilen enzimlerdeki (protein tasarımıyla mümkün olabilen) gelişmeler, plastik ve yağ gibi kirleticilerin yönetimine yardımcı olabilir, böylece atıkları çevremiz için daha kolay olan yollarla parçalamamıza yardımcı olabilir. Aslında, araştırmacılar, atıkları biyolojik olarak parçalanabilir hale getirecek ve işlenmesi kolaylaştıracak proteinler salgılamak için bakteri mühendisliği yapmaya çoktan başladılar.

Son beş yılda, bilim insanları kriyo-elektron mikroskobu, nükleer manyetik rezonans veya X-ışını kristalografisi gibi deneysel teknikleri kullanarak laboratuvarlardaki proteinlerin şeklini belirleyebildiler, ancak her bir yöntem, çok fazla deneme ve yanılmaya dayanıyor; yıl ve yapı başına onbinlerce dolara mal oluyor. Bu nedenle biyologlar zor proteinler için bu uzun ve zahmetli sürece alternatif olarak AI (Yapay Zeka) yöntemlerine yöneliyorlar.

Derin öğrenme, son birkaç yılda genomik verilere dayanan tahmin sorununa eğiliyor. DeepMind’in bu sorunla ilgili çalışması, bu yıl AlphaFold ile sonuçlandı.

Araştırma ekibi, özellikle önceden çözülmüş proteinleri şablon olarak kullanmadan hedef şekilleri sıfırdan modelleme problemine odaklandı. Bir protein yapısının fiziksel özelliklerini tahmin ederken yüksek derecede doğruluk elde etti.

AlphaFold proteinin özelliklerini genetik diziliminden tahmin etmek için eğitilmiş derin sinir ağlarına dayanıyor. Ağların öngördüğü özellikler şunlar: (a) amino asit çiftleri arasındaki mesafeler ve (b) bu amino asitleri bağlayan kimyasal bağlar arasındaki açılar.

İlk gelişme, amino asit çiftlerinin birbirine yakın olup olmadığını tahmin eden yaygın olarak kullanılan tekniklerde bir gelişmeydi. Sonra bir proteindeki her bir kalıntı artığı arasındaki mesafelerin ayrı bir dağılımını tahmin etmek için bir sinir ağı eğitildi. Bu olasılıklar daha sonra önerilen bir protein yapısının ne kadar doğru olduğunu tahmin eden bir skorla birleştirildi. Önerilen yapının doğru cevaba ne kadar yakın olduğunu tahmin etmek için toplu halde tüm mesafeleri kullanan ayrı bir sinir ağı da eğitildi.

AlphaFold’un başarısı, makine öğrenim sistemlerinin, bilim adamlarının karmaşık sorunlara hızla yaratıcı çözümler bulmalarına yardımcı olmak için çeşitli bilgi kaynaklarını nasıl bütünleştirebildiklerinin bir göstergesidir.

AI’nın (YZ), insanların AlphaGo (Bir yazılımın bir insanı yendiği ilk oyun) ve AlphaZero gibi sistemler aracılığıyla karmaşık oyunlarda ustalaşmasına nasıl yardımcı olabileceğini gördükçe, benzer şekilde, bir gün AI atılımlarının da temel bilimsel problemleri çözmemize yardımcı olacağını umuyoruz. Bilimsel keşif için AI’nın faydasını gösteren, protein katlanmasındaki bu erken ilerleme işaretlerini görmek heyecan verici. Hastalıkları tedavi etmek, çevreyi yönetmek ve daha pek çok şey üzerinde ölçülebilir bir etkiye sahip olabilmemiz için yapılması gereken çok iş olsa da, potansiyelin muazzam olduğunu biliyoruz. Makine öğreniminin ve yapay zekânın bilim dünyasını nasıl ilerletebileceğini derinden hissettiğimiz şüphesiz.

Bilimle kalın.

doi: 10.1038/d41586-019-01357-6

Tek Yol Bilim’i Bundle uygulamasından takip edebilirsiniz.
  • Muhammed Ali
    10 ay önce

    Mükemmel bir yazı olmuş

    11
    yorum beğen
  • Ömer BAŞTUGAN
    10 ay önce

    Tebrik ederim, yapay zeka ve bilimin gelecekte bizlere ve gelecek nesillere ne gibi avantajları veya dezavantajları olur bilmiyorum ama böyle araştırmalar ve yazılar yazılmaya devam edildikçe eminimki gelecekte sağlıklı yaşam ve hastalıklar hakkında daha da fazla fırsat ve çözüm yolu oluşacak, belkide şuan tedavisi olmayan hastalıklara tedavi imkanları çıkacaktır.

    10
    yorum beğen
  • Ömer BAŞTUGAN
    10 ay önce

    Tebrik ederim çok faydalı bir yazıydı.

    12
    yorum beğen
  • Furkan
    10 ay önce

    detaylı ve bilgilendirici bir yazı

    12
    yorum beğen
  • Alparslan Uçan
    10 ay önce

    Tebrik ederim.Yapay zekanın ne kadar çeşitli alanlarda fayda sağlayabileceğini gösteren bilgilendirici bir yazı olmuş.

    12
    yorum beğen