Google DeepMind, Biyolojik Tahminlerin Kapsamını Genişleten AlphaFold 3'ü Yayınladı!

Google DeepMind, biyoloji tahmin aracı AlphaFold'un sadece proteinlerin değil biyolojik yaşamın neredeyse tüm unsurlarının yapılarını tahmin edebilen geliştirilmiş bir versiyonunu yayınladı.

Bu gelişme, ilaç keşfini ve diğer bilimsel araştırmaları hızlandırabilir. Araç şu anda dayanıklı mahsullerden yeni aşılara kadar her şeyi tanımlamak için deneyler yapmak için kullanılıyor.

2020'de piyasaya sürülen bir önceki model, protein yapılarını tahmin etme kabiliyetiyle araştırma topluluğunu hayrete düşürse de araştırmacılar, aracın proteinlerden daha fazlasını ele almasını istiyordu.

DeepMind, şimdi AlphaFold 3'ün DNA, RNA ve ilaç keşfi için gerekli ligandlar gibi moleküllerin yapılarını tahmin edebildiğini belirtiyor. Ayrıca, aracın molekül etkileşimlerinin daha ince ve dinamik bir portresini sunduğu da ifade ediliyor. DeepMind CEO'su Demis Hassabis, şunları söylüyor:

Biyoloji dinamik bir sistemdir. Biyolojinin özellikleri, hücre içindeki farklı moleküller arasındaki etkileşimler yoluyla ortaya çıkar. AlphaFold 3'ü de bu etkileşimleri modelleme konusundaki ilk büyük adımımız olarak düşünebilirsiniz.

AlphaFold 2 insan kalbini daha iyi haritalamamıza, antimikrobiyal direnci modellememize ve nesli tükenmiş kuşların yumurtalarını tanımlamamıza yardımcı oldu ancak AlphaFold 3'ün ne gibi ilerlemeler getireceğini henüz bilmiyoruz.

Columbia Üniversitesi'nde sistem biyolojisi alanında yardımcı doçent olan Mohammed AlQuraishi, modelin yeni versiyonunun ilaç keşfi için daha da iyi olacağını düşünüyor: AlphaFold 2 sistemi sadece aminoasitleri biliyordu, bu yüzden biyofarma için çok sınırlı bir faydası vardı. Ama şimdi, sistem prensip olarak bir ilacın bir proteine nerede bağlandığını tahmin edebiliyor.

AlQuraishi bu sürümün ileriye doğru büyük bir adım olduğunu belirtse de bazı uyarıları da var:

Ancak çoğu modelde olduğu gibi, AlphaFold'un etkisi tahminlerinin ne kadar doğru olduğuna bağlı olacaktır. Bazı kullanımlar için AlphaFold 3’ün başarısı, RoseTTAFold gibi benzer önde gelen modellerin başarısının iki katı olsa da protein-RNA etkileşimleri gibi bazı alanlarda hala çok doğru değil.

DeepMind, modellenen etkileşime bağlı olarak doğruluğun %40 ile %80 arasında değişebileceğini ve modelin tahminine ne kadar güvendiğini araştırmacılara bildireceğini söylüyor. Daha az doğru tahminlerde, araştırmacılar AlphaFold'u yalnızca bir başlangıç noktası olarak kullanmak zorunda.

AlphaFold 3'ün daha büyük molekül kütüphanesi ve daha yüksek karmaşıklık seviyesi, temel model mimarisinde iyileştirmeler gerektirdi. Bu nedenle DeepMind, AI araştırmacılarının son yıllarda sürekli olarak geliştirdiği ve şimdi OpenAI’ın DALL-E 2 ve Sora gibi görüntü ve video oluşturucularını güçlendiren difüzyon tekniklerine yöneldi. Bu yöntem, bir modelin gürültülü bir görüntüyle başlayıp bu gürültüyü azaltarak doğru bir tahmin ortaya çıkarmasına olanak tanır. Bu yöntem, AlphaFold 3'ün çok daha büyük bir girdi setini ele alabilmesini sağladı.

Google DeepMind direktörü John Jumper, bunun "önceki modele göre büyük bir evrim" anlamına geldiğini, tüm bu farklı atomların süreci gerçekten basitleştirdiğini belirtiyor.

Ancak aynı zamanda bu, yeni riskleri de beraberinde getiriyor. AlphaFold 3 makalesinde detaylandırıldığı gibi, difüzyon tekniklerinin kullanımı modelin halüsinasyon görmesini ya da makul görünen ancak gerçekte var olmayan yapılar üretmesini mümkün kıldı. Araştırmacılar, halüsinasyona en yatkın alanlara daha fazla eğitim verisi ekleyerek bu riski azalttılar, ancak sorun henüz tamamen ortadan kalkmadı.

AlphaFold 3'ün etkisinin bir kısmı, DeepMind'ın modele erişimi nasıl paylaştıracağına bağlı olacak. AlphaFold 2 için şirket, araştırmacıların nasıl çalıştığını daha iyi anlamalarını sağlamak için açık kaynak kodunu yayınlamıştı. Ayrıca, ilaç üreticileri tarafından ticari kullanım da dahildi. Ancak Hassabis, AlphaFold 3 için kodun tamamını yayınlamaya yönelik mevcut bir plan olmadığını söyledi. Şirket, bunun yerine model için AlphaFold Sunucusu adı verilen hangi moleküllerin denenebileceği ve yalnızca ticari olmayan amaçlarla kullanılabileceği konusunda sınırlamalar getiren halka açık bir arayüz sunuyor. DeepMind, arayüzün teknik engeli azaltacağını ve aracın kullanımını bu teknoloji hakkında daha az bilgisi olan biyologlara genişleteceğini söylüyor. AlQuraishi'ye göre yeni kısıtlamalar önem arz ediyor:

Sistemin ana satış noktası olan protein-küçük molekül etkileşimlerini tahmin etme yeteneği, temelde kamu kullanımı için sunulmadı. Bu noktada çoğunlukla bir fragmandan ibaret.