Deepmind’in AlphaFold’u, sağlık hizmetlerinde AI kullanımı için önemli bir yer edinen bir proteinin 3D yapısını tahmin etmede başarılıdır. Disiplinler arası bir yaklaşımla DeepMind; yalnızca genetik sekansına dayanan bir proteinin 3D yapısını tahmin etmek ve en son teknikleri uygulamak için yapısal biyoloji, fizik ve makine öğrenimi alanlarından uzmanları bir araya getirmiştir.
Google DeepMind, dikkatini bilim ve sağlık bakımı için AI kullanmaya yöneltiyor. Bu ifade, geçen ay Google’ın, DeepMind Health’le birlikte sağlık hizmeti teknolojisine büyük girişler yapmasıyla güçleniyor. Ağustos ayında AI, görme tehlikesi olan 50’den fazla göz hastalığını tespit etmede başarılı oldu. Şimdi ise başka bir zor bilim problemini çözmektedir.
Pazar günü Cancun’da düzenlenen uluslararası bir konferansta Deepmind’in son AI sistemi AlphaFold, Yapı Tahmini Kritik Değerlendirmesi (CASP) yarışmasını kazandı. Her iki yılda bir düzenlenen CASP, katılımcıları bir proteinin 3 boyutlu yapısını amino asit sekansından tahmin etmek için modeller sunmaya davet etmektedir.
Proteinler, yaşamı sürdürmek için gerekli olan geniş, karmaşık moleküllerdir. Vücudumuzun neredeyse her işlevi (kasların kasılması, ışığı algılamak veya yiyeceği enerjiye dönüştürmek) bir veya daha fazla proteine ve bunların nasıl hareket edip değiştiğine kadar uzanabilir. Bu proteinlerin tarifleri DNA’mızda kodlanmıştır. Herhangi bir proteinin özelliği benzersiz 3D yapısına bağlıdır. Örneğin, bağışıklık sistemlerimizi oluşturan antikor proteinleri ‘Y’ şeklinde ve şimdiye kadar rastlanmamış kancalara benzer. Virüslere ve bakterilere kilitlenerek, antikor proteinleri hastalığa neden olan mikroorganizmaları yok etmek için, onları tespit edip etiketleyebilir. Benzer şekilde, kolajen proteinleri; kıkırdak, bağlar, kemikler ve deri arasındaki gerginliği ileten kordlar gibi biçimlendirilir. Diğer protein türleri arasında ise; makas gibi hareket eden ve kesilmiş ve yapıştırılmış DNA olan CRISPR ve Cas9; 3 boyutlu yapısı, buz kristallerine bağlanmalarına ve organizmaların donmasını engellemelerine izin veren antifriz proteinleri; ve proteinleri kendilerinin oluşturmasına yardımcı olan programlanmış bir montaj hattı gibi davranan ribozomlar bulunur.
Ancak, bir proteinin 3 boyutlu şeklini sadece genetik dizisinden anlamak; bilim insanlarının onlarca yıl boyunca zorlayıcı bulduğu karmaşık bir görevdir. Buradaki zorluk, DNA’nın, sadece uzun zincirler oluşturan, amino asit kalıntıları olarak adlandırılan bir proteinin yapı taşları dizisi hakkında bilgi içermesidir. Bu zincirlerin bir proteinin karmaşık 3D yapısına nasıl katlanacağını tahmin etmek “protein katlama problemi” olarak bilinir.
Protein ne kadar büyükse, o kadar karmaşık ve zor olur, çünkü dikkate alınması gereken amino asitler arasında daha fazla etkileşim vardır. Levinthal’in paradoksunda belirtildiği gibi , doğru 3 boyutlu yapıya ulaşmadan önce, tipik bir proteinin tüm olası konfigürasyonlarını sıralamak evrenin yaşından daha uzun sürebilir.
Bir proteinin şeklini tahmin etme yeteneği bilim insanları için yararlıdır. Çünkü vücuttaki rolünün anlaşılmasının yanı sıra, Alzheimer , Parkinson , Huntington ve kistik fibroz gibi yanlış katlanmış proteinlerin neden olduğu düşünülen hastalıkları teşhis ve tedavi etmenin temelini oluşturmaktadır.
Son beş yılda bilim insanları laboratuvarlarda proteinlerin kriyo-elektron mikroskobu , nükleer manyetik rezonans veya X-ışını kristalografisi gibi deneysel teknikler kullanarak, şekillerini belirleyebiliyorlardı. Ancak her yöntem çok fazla deneme ve yanılmaya dayanıyordu. Bu yüzden biyologlar zor proteinler için bu uzun ve zahmetli sürece alternatif olarak AI yöntemlerine yöneliyorlar.
Genomik verilere dayanan tahmin problemine yönelik derin öğrenme yaklaşımları son yıllarda giderek daha popüler hale gelmiştir. DeepMind’in bu problem üzerindeki çalışması AlphaFold ile sonuçlandı. CASP organizatörlerinin, “girdiği takımlar sıralamasında, ilk sırada yer alan“ protein yapısını tahmin etmek için hesaplama yöntemleri konusunda daha önce görülmemiş bir ilerleme kaydetmiştir.
Deepmind’in AlphaFold’u Nasıl Çalışır?
AlphaFold’un ekibi, bir proteindeki her bir çift kalıntı arasındaki mesafelerin ayrı bir dağılımını tahmin etmek için bir sinir ağı kurdu. 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 da eğitmişlerdir.
Protein yapılarının tam tahminlerini oluşturmak için iki farklı yöntem kullandılar:
İlk yöntem, yapısal biyolojide yaygın olarak kullanılan teknikler üzerine kurulmuş ve bir protein yapısının parçalarını yeni protein parçalarıyla tekrar tekrar değiştirmiştir. Önerilen protein yapısının skorunu sürekli olarak geliştirmek için kullanılan yeni fragmanları icat etmek için bir üretken sinir ağı kurulmuştur.
İkinci yöntem; küçük, artımlı iyileştirmeler yapmak için makine öğrenmesinde yaygın olarak kullanılan matematiksel bir teknik olan gradyan alçalma yoluyla skorların optimize edilmesini sağlamıştır. Bu teknik, bir araya getirilmeden önce ayrı olarak katlanması gereken parçalardan ziyade; tüm protein zincirlerine uygulanmış ve tahmin sürecinin karmaşıklığı azaltılmıştır.
İlk programın protein katlamadaki başarısı, makine öğrenimi sistemlerinin, bilim insanlarının karmaşık problemlere yaratıcı çözümler üretmelerine yardımcı olmak için çeşitli bilgi kaynaklarını nasıl entegre edebileceğinin bir göstergesidir. Aynı zamanda AI’nın, AlphaGo ve AlphaZero gibi sistemler aracılığıyla karmaşık oyunlarda ustalaşmasına nasıl yardımcı olabileceği ve AI atılımlarının da temel bilimsel problemler konusunda yardımcı olacağı umuluyor.
