Yeni Yapay Zeka Aracı, Küçük Moleküllerin Gizli Evreninin Haritasını Çıkarıyor!

İnsan vücudu ve bağırsak mikrobiyomu; bağışıklık, metabolizma ve daha fazlasını etkileyerek vücudumuzun nasıl çalıştığını şekillendiren binlerce küçük molekül üretir. Bildiğimiz gibi, bu moleküllerin aslında ne olduğunu belirlemek, biyomedikal bilimlerin en kalıcı darboğazlarından biri olmuştur. Öyle ki, tipik bir biyolojik örnekte tespit edilen bileşiklerin %80'inden fazlası, güncel yöntemler kullanılarak bilinen hiçbir yapıyla eşleştirilemiyor.

Boyce Thompson Enstitüsü (BTI) ve Cornell Üniversitesindeki araştırmacılar, işte bu durumu değiştirmeye başlayan bir araç geliştirdiler. AIMe (İng: "AI Molecule Explorer", Tür: "Yapay Zeka Molekül Kâşifi"), kütle spektrumlarını tahmin etmek, düzenlemek ve aramak için nöro-sembolik yapay zeka adı verilen bir yapay zeka biçimini kullanıyor. 100 milyondan fazla bilinen küçük organik molekülün kütle spektrumlarını tahmin edip sınıflandırarak, hipotez üretimini ve bileşik tanımlamasını hızlandırabilen devasa, aranabilir bir kimyasal alan haritası oluşturuyor.

Bu çalışma, BTI ve Cornell Kimya ve Kimyasal Biyoloji Bölümünde profesör olan Frank Schroeder ile Cornell Yapay Zeka Bilim Enstitüsü müdürü ve bilgisayar ve bilişim bilimleri profesörü Carla Gomes arasında bir işbirliği olarak yürütülüyor. Araştırmacıların geliştirdiği araca çevrimiçi olarak erişilebiliyor ve çalışmanın yayımlanmasıyla birlikte kaynak kodu da herkesin kullanımına açılacak.

Eski Bir Soruna Farklı Bir Yaklaşım

Kütle spektrometrisi, toksikolojiden gıda analizine kadar çok çeşitli uygulamalarda küçük molekül tanımlamasının temel direğidir. Bir bileşik analiz edildiğinde cihaz onu parçalara ayırır ve ortaya çıkan parçaların kütlelerini kaydeder. Tandem kütle spektrumu (veya MS2 spektrumu) adı verilen bu parçalanma deseni, moleküler bir parmak izi işlevi görür.

Bilinmeyen bir bileşiği tanımlamak için araştırmacılar, onun spektrumunu bilinen bileşiklerin spektrumlarından oluşan bir referans kütüphanesiyle karşılaştırırlar; ya da parçalanma deseninin manuel analizine dayanarak bileşiğin yapısı hakkında hipotezler geliştirirler.

Karşımıza çıkan en büyük sorun, deneysel referans kütüphanelerinin hala yetersiz kalması ve uzmanlar tarafından tek tek yapılan yorumlamaların yoğun emek gerektirip yavaş ilerlemesidir. Mevcut kütüphaneler, bilinen bileşiklerin %1'inden daha azını kapsıyor. Tek bir bilinmeyen bileşiğin yapısını çözmek ise günler hatta aylar süren tekrarlı analizler ve deneysel doğrulamalar gerektirebiliyor. Sonuç olarak kütüphanede yakın bir eşleşmesi bulunmayan spektrumlar genellikle açıklanmamış halde kalıyor.

AIMe ise bu noktada farklı bir yaklaşım benimsiyor. Deneysel spektrumların kütüphanelerde birikmesini beklemek yerine, bu spektrumları hesaplamalı olarak tahmin ediyor ve ardından tahminleri MS2KOSMOS adı verilen aranabilir bir kaynakta düzenliyor.

Araç, halka açık en büyük kimyasal veri tabanı olan PubChem'deki bilinen hemen hemen tüm küçük organik molekülleri kapsayan 800 milyondan fazla tahmini spektrum üretti. Bu da mevcut deneysel kütüphanelere kıyasla aranabilir kimyasal alanın yaklaşık bin kat genişlemesi anlamına geliyor. Dr. Gomes bu mekanizmayı şöyle açıkladı:

AIMe'nin merkezinde, moleküllerin bir kütle spektrometresi içinde nasıl parçalandığını simüle eden DeepMS2Reasoner adlı bir model yer alıyor. Fiziksel olarak makul parçalanma adımlarını sıralamak için sembolik kimyasal kuralları ve her adıma olasılıklar atamak için bir sinir ağını kullanarak parçalanma yollarını adım adım oluşturuyor. Sonuç olarak ortaya tahmini bir spektrum ve bir molekülün nasıl parçalandığına dair açıklamalı bir harita çıkıyor. Bu özellik, AIMe'nin çıktılarını sadece hesaplamalı olarak faydalı kılmakla kalmıyor, aynı zamanda kimyasal terimlerle de yorumlanabilir hale getiriyor.

Fare Bağırsaklarından İnsan Biyolojisine

AIMe'nin pratikte neler yapabileceğini göstermek için araştırmacılar aracı, farelerden alınan karşılaştırmalı bir metabolomik veri setine uyguladılar. Deneyde, bağırsak mikrobiyotası olmadan yetiştirilen mikropsuz fareler ile normal bağırsak bakterilerine sahip fareler karşılaştırıldı. İki grup arasında binlerce kimyasal özellik farklılık gösteriyordu ve en bol bulunanların çoğu standart yöntemler kullanılarak tanımlanamamıştı.

Ekip, en bol bulunan ancak tanımlanamayan 111 mikrobiyotaya bağımlı bileşiğin spektrumlarıyla MS2KOSMOS'u sorgulamak için AIMe'yi kullandı. Araç, bunların yaklaşık üçte biri için yakın tahmini spektral eşleşmeler ve ilgili yapısal adaylar bularak, sonraki araştırmalar için kimyasal olarak yorumlanabilir ipuçları sağladı.

Geri kalanlar içinse AIMe, bilinmeyen spektrumları moleküler komşuluklarla (ortak parçalanma desenleri, bilinmeyenlerin ne olabileceğine dair hipotezleri şekillendirebilen, yapısal olarak ilişkili bileşik setleriyle) eşleştirdi. Dr. Schroeder, yapay zekanın bu süreçteki rolünü şöyle açıkladı:

Evrim Ağacı'ndan Mesaj

Neden Desteğe İhtiyacımız Var?

Aslında maddi destek istememizin nedeni çok basit: Çünkü Evrim Ağacı, bizim tek mesleğimiz, tek gelir kaynağımız. Birçoklarının aksine bizler, sosyal medyada gördüğünüz makale ve videolarımızı hobi olarak, mesleğimizden arta kalan zamanlarda yapmıyoruz. Dolayısıyla bu işi sürdürebilmek için gelir elde etmemiz gerekiyor.

Bunda elbette ki hiçbir sakınca yok; kimin, ne şartlar altında yayın yapmayı seçtiği büyük oranda bir tercih meselesi. Ne var ki biz, eğer ana mesleklerimizi icra edecek olursak (yani kendi mesleğimiz doğrultusunda bir iş sahibi olursak) Evrim Ağacı'na zaman ayıramayacağımızı, ayakta tutamayacağımızı biliyoruz. Çünkü az sonra detaylarını vereceğimiz üzere, Evrim Ağacı sosyal medyada denk geldiğiniz makale ve videolardan çok daha büyük, kapsamlı ve aşırı zaman alan bir bilim platformu projesi. Bu nedenle bizler, meslek olarak Evrim Ağacı'nı seçtik.

Eğer hem Evrim Ağacı'ndan hayatımızı idame ettirecek, mesleklerimizi bırakmayı en azından kısmen meşrulaştıracak ve mantıklı kılacak kadar bir gelir kaynağı elde edemezsek, mecburen Evrim Ağacı'nı bırakıp, kendi mesleklerimize döneceğiz. Ama bunu istemiyoruz ve bu nedenle didiniyoruz.

Destek Ol

Özellikle iki bileşik, yapay zeka rehberliğindeki yapı aydınlatmasının neler başarabileceğine dair bir vaka çalışması haline geldi. Her ikisi de çok iyi incelenmiş bir molekül sınıfı olan poliamin türevleri olduklarını düşündüren spektrumlar üretti, ancak parçalanma desenleri daha önce tanımlanmış hiçbir şeyle eşleşmedi. AIMe'nin çıktısını bir rehber olarak kullanarak, ekibimiz aday yapıları kombinatoryal olarak bir araya getirdi, her aday için spektrumları tahmin etti ve alanı daraltmak için bu karşılaştırmayı kullandı.

İlk bileşik için en iyi aday doğrusal bir pütresin türeviydi ve bu türev daha sonra otantik bir standart sentezlenerek kolayca doğrulandı. İkinci bileşik içinse, potansiyel adayların tahmini spektrumları iki belirgin tepe noktasını açıklamakta sürekli olarak başarısız oldu. Ta ki ekip, aramayı halkalaşmış varyantları içerecek şekilde genişletene kadar...

Gerçekleştirilen sentez, tahminlerin öne sürdüğü şeyi doğruladı. İkinci bileşiğin yapısal olarak alışılmadık, makrosiklik (büyük halkalı) bir poliamin olduğu ortaya çıktı. Bu bileşik, daha önce fare veya insan biyolojisinde bildirilenlere benzemeyen, halka şeklinde bir varyanttı. Büyük bir halka açık kütle spektrometresi veri tabanında yapılan sonraki aramalar, aynı bileşiği insan kaynaklı örneklerde de buldu. Öyle ki, incelenen 99 insan dışkısı örneğinin 57'sinde bu bileşik tespit edildi.

Biliyoruz ki poliaminler, biyolojide önemli bir konuma sahiptir. Beslenme, bağırsak mikrobiyomu ve bağışıklık fonksiyonunun kesişme noktasında yer alırlar. Bu heyecan verici bulgular, mikrobiyotaya bağımlı poliaminler kataloğunun bilim insanlarının varsaydığından çok daha eksik olduğunu net bir şekilde gösteriyor.

Geniş Ölçekte Veri Sınıflandırma

Araştırmacılar ayrıca AIMe'yi, halka açık en büyük kütle spektrometrisi veri depolarından biri olan Küresel Doğal Ürünler Sosyal Moleküler Ağı veri tabanındaki 7 milyondan fazla spektral kümeye uygulayarak aracı depo ölçeğinde test ettiler.

Önceki sınıflandırma çalışmaları bu kümelerin sadece yaklaşık 416.000'ini açıklayabilmişti. AIMe ise daha önceki çalışmada uygulanan aynı benzerlik eşiğini kullanarak yaklaşık 2,69 milyon küme için varsayımsal açıklamalar sundu. Bu devasa artış, yapay zekanın biyokimyasal analizlerdeki potansiyelini bir kez daha gözler önüne seriyor.