Nöral Ağlar, Yeni Proteinlerin Oluşmasına Yardımcı Oluyor!

Kompleks yapı ve dinamik işlevleriyle proteinler; geometrinin kilit önem taşıdığı basit yapıtaşlarının eşsiz kombinasyonlarıyla çok sayıda biyolojik görevi yerine getirir. Neredeyse sınırsız olan düzenleme seçenekleri sayesinde ilgili işlevlere dönüşüm ve özel protein tasarımları yapılabilir.

Journal of Applied Physics'te yayınlanan bir çalışmada Massachusetts Teknoloji Enstitüsü'nden Markus Buehler proteinleri daha iyi anlayabilmek için "transformatör" olarak adlandırılan dikkat sinir ağları ile grafik sinir ağlarını birleştirdi. Bu yaklaşım mevcut olan proteinlerle birlikte doğanın henüz tasarlamadığı proteinlerin yapısını da tahmin edebilmemiz için geometrik derin öğrenmeyle dil modellerinin güçlü yönlerini birleştiriyor. Buehler, bu konuda şunları söylüyor:

Bu yöntemle doğanın ürettiği her şeyi modelleyerek kullanabiliriz. Model yeni işlevler ve çözümler elde etmemiz için doğal yapıtaşlarını yeniden birleştiriyor.

Kompleks yapıları, çoklu görev yetenekleri, çözündüğünde şekil değiştirebilme eğilimleri nedeniyle proteinlerin modellemesinin oldukça zor olduğu bilinmektedir. Makine öğrenmesi, protein davranışlarını yöneten nano ölçekteki kuvvetleri ve işlevleri açıklamamızı sağlamıştır. Ancak istenen fonksiyona göre protein yapısı tasarlamak hala zor görünüyor. Buehler'in modeli bu zorluğun üstesinden gelebilmek için sayıları, açıklamaları, görevleri ve diğer unsurları sinir ağlarının kullanabileceği sembollere çeviriyor.

Buehler önce modelini farklı proteinlerin amino asit dizilimlerini çözünürlüklerinden ve işlevlerinden tahmin edebilecek şekilde eğitti. Sonrasında ise modele bir proteinin işlevine dair başlangıç parametrelerini aldıktan sonra yeni yapılar oluşturmayı öğretti.

Bu metot suda çözülmesi gereken antimikrobiyal proteinlerin katı versiyonlarının üretilmesini sağladı. Bir başka örnek ise doğal olarak oluşan bir ipek proteinini alıp daha fazla esneklik için sarmal, daha fazla dayanıklılık için kıvrımlı bir form verilmesi olabilir. Model, protein tasarımında temel görevlerin çoğunu başardı; fakat Buehler daha fazla görev için daha fazla bilgiyi modele aktaracağını ve böylece potansiyelini daha da güçlendireceğini söylüyor ve ekliyor:

Modelin birden fazla görevi yerine getirmek üzere tasarlanmış olmasına rağmen üstün bir performans göstermesi sürpriz oldu. Bunun nedeni muhtemelen modelin farklı görevleri dikkate alarak daha fazla öğrenmesidir. Böylece belirli görevler için özelleşmiş modeller yerine çok görevli modeller geliştirilebilir.

Bu yaklaşım protein tasarımı dışındaki birçok alana da uygulanabilir bir modeldir. Buehler son olarak şunları söylüyor:

Şu anki odak noktamız proteinler olsa da bu metot malzeme bilimi için büyük bir potansiyel taşıyor. Spesifik arıza modellerine sahip malzemeler tasarlayarak arıza davranışlarını keşfetmek için heyecanlıyız.