{"id":62922,"date":"2024-08-30T00:00:34","date_gmt":"2024-08-29T21:00:34","guid":{"rendered":"https:\/\/bilimvegelecek.com.tr\/?p=62922"},"modified":"2024-10-09T14:55:38","modified_gmt":"2024-10-09T11:55:38","slug":"protein-biliminde-yapay-zeka-devrimi-ve-cozulemeyen-sorunlar","status":"publish","type":"post","link":"https:\/\/bilimvegelecek.com.tr\/index.php\/2024\/08\/30\/protein-biliminde-yapay-zeka-devrimi-ve-cozulemeyen-sorunlar","title":{"rendered":"Protein biliminde yapay zek\u00e2 devrimi ve \u00e7\u00f6z\u00fclemeyen sorunlar"},"content":{"rendered":"

Yasemin \u015eaplako\u011flu
\n<\/strong>\u00c7ev. Cem Oran<\/strong><\/p>\n

Okuyaca\u011f\u0131n\u0131z makale, quantamagazine.org\u2019da 26 Haziran 2024\u2019de yay\u0131nland\u0131. Yazar Yasemin Saplakoglu, Quanta Magazine<\/em>\u2019in biyoloji alan\u0131nda pop\u00fcler bilim i\u00e7eri\u011fi \u00fcreten kadrolu yazar\u0131. Connecticut \u00dcniversitesi’nden biyomedikal m\u00fchendisli\u011fi, California \u00dcniversitesi, Santa Cruz\u2019da ise bilim ileti\u015fimi alan\u0131nda y\u00fcksek lisans derecelerine sahip. Arkada\u015f\u0131m\u0131z Cem Oran bu ilgin\u00e7 makaleyi Bilim ve Gelecek<\/em> okurlar\u0131 i\u00e7in T\u00fcrk\u00e7ele\u015ftirdi.<\/p><\/blockquote>\n

Aral\u0131k 2020\u2019de, pandemi k\u0131s\u0131tlamalar\u0131n\u0131n y\u00fcz y\u00fcze toplant\u0131lar\u0131 imk\u00e2ns\u0131z hale getirdi\u011fi bir d\u00f6nemde, y\u00fczlerce hesaplamal\u0131 bilimci ekranlar\u0131n\u0131n \u00f6n\u00fcnde toplanarak bilimde yeni bir \u00e7a\u011f\u0131n a\u00e7\u0131l\u0131\u015f\u0131n\u0131 izlediler.<\/p>\n

Bir konferans i\u00e7in toplanm\u0131\u015flard\u0131. Baz\u0131lar\u0131n\u0131n neredeyse otuz y\u0131ld\u0131r ki\u015fisel olarak kat\u0131ld\u0131\u011f\u0131 bu konferans ayn\u0131 zamanda hem dostane bir yar\u0131\u015fma hem de hepsinin bir araya gelip ayn\u0131 soruna kitlendikleri bir etkinlikti. Protein katlanmas\u0131 problemi olarak bilinen bu sorun basit bir \u015fekilde ifade edilebiliyordu: Bir protein molek\u00fcl\u00fcn\u00fcn \u00fc\u00e7 boyutlu \u015fekli, onun en temel bilgisi olan bir boyutlu molek\u00fcler kodundan do\u011fru bir \u015fekilde tahmin edilebilir mi? Proteinler, h\u00fccrelerimizi ve v\u00fccudumuzu canl\u0131 ve \u00e7al\u0131\u015f\u0131r durumda tutar. Bir proteinin \u015fekli onun davran\u0131\u015f\u0131n\u0131 belirledi\u011finden bu problemi ba\u015far\u0131l\u0131 bir \u015fekilde \u00e7\u00f6zmek, hastal\u0131klar\u0131n anla\u015f\u0131lmas\u0131ndan yeni ila\u00e7lar\u0131n \u00fcretimine ve ya\u015fam\u0131n i\u015fleyi\u015fine dair derinlemesine bir kavray\u0131\u015f edinilmesine kadar geni\u015f bir etki yaratabilir.<\/p>\n

Her iki y\u0131lda bir d\u00fczenlenen konferansta, biliminsanlar\u0131 en yeni protein katlanmas\u0131 ara\u00e7lar\u0131n\u0131 test ediyorlard\u0131. Ancak \u00e7\u00f6z\u00fcm her defas\u0131nda eri\u015filemezli\u011fini s\u00fcrd\u00fcrm\u00fc\u015ft\u00fc. Baz\u0131lar\u0131, bu tahminlerde sadece k\u0131smi bir geli\u015fme sa\u011flamak i\u00e7in t\u00fcm kariyerlerini harcam\u0131\u015flard\u0131. Bu yar\u0131\u015fmalar, k\u00fc\u00e7\u00fck ad\u0131mlarla ilerleyerek s\u00fcrm\u00fc\u015ft\u00fc ve ara\u015ft\u0131rmac\u0131lar\u0131n 2020\u2019nin farkl\u0131 olaca\u011f\u0131n\u0131 d\u00fc\u015f\u00fcnmek i\u00e7in pek bir nedeni yoktu. Ama bu konuda yan\u0131lm\u0131\u015flard\u0131.<\/p>\n

O hafta, protein bilimi toplulu\u011funa nispeten yeni bir kat\u0131l\u0131mc\u0131 olan John Jumper, Google DeepMind\u2019\u0131n Londra\u2019daki yapay zek\u00e2 kolundan \u00e7\u0131kan yeni bir yapay zek\u00e2 arac\u0131 olan AlphaFold2\u2019yi tan\u0131tt\u0131. Zoom \u00fczerinden sundu\u011fu veriler, AlphaFold2\u2019nin \u00fc\u00e7 boyutlu protein yap\u0131lar\u0131ndaki tahmin modellerinin % 90\u2019\u0131n \u00fczerinde do\u011fruluk sundu\u011funu g\u00f6sterdi. Bu sonu\u00e7, en yak\u0131n rakibinden be\u015f kat daha iyi sonu\u00e7lar verdi\u011fi anlam\u0131na geliyordu.<\/p>\n

O an itibariyle, protein katlanmas\u0131 probleminin \u00e7\u00f6z\u00fcm\u00fc imk\u00e2ns\u0131z olmaktan \u00e7\u0131kt\u0131. \u0130nsan zek\u00e2s\u0131n\u0131n ba\u015far\u0131s\u0131z oldu\u011fu yerde yapay zek\u00e2n\u0131n ba\u015far\u0131ya ula\u015fmas\u0131 biyologlar toplulu\u011funu sarsm\u0131\u015ft\u0131. Toplant\u0131ya kat\u0131lan Columbia \u00dcniversitesi Matematiksel Genomik Program\u0131\u2019ndan sistem biyolo\u011fu Mohammed AlQuraishi, \u201c\u015eoktayd\u0131m\u201d diyor. \u201cBir\u00e7ok ki\u015fi ink\u00e2r i\u00e7indeydi.\u201d<\/p>\n

Ancak konferans\u0131n kapan\u0131\u015f konu\u015fmas\u0131n\u0131 yaparken organizat\u00f6r John Moult \u015f\u00fcpheye yer b\u0131rakmad\u0131: AlphaFold2 \u201cb\u00fcy\u00fck \u00f6l\u00e7\u00fcde\u201d protein katlanmas\u0131 sorununu \u00e7\u00f6zm\u00fc\u015ft\u00fc ve protein bilimini sonsuza dek de\u011fi\u015ftirmi\u015fti. Siyah bir kazak giymi\u015f olarak ev ofisindeki kitapl\u0131\u011f\u0131n\u0131n \u00f6n\u00fcnde oturan Moult, Zoom \u00fczerinden slaytlar\u0131na t\u0131klarken heyecanl\u0131 ama ayn\u0131 zamanda karanl\u0131k bir tonda konu\u015ftu: \u201cBu bir son de\u011fil, bir ba\u015flang\u0131\u00e7t\u0131r.\u201d<\/p>\n

\"\"
Baz\u0131 \u00f6nemli proteinler.<\/figcaption><\/figure>\n

Google\u2019\u0131n halkla ili\u015fkiler makinesi bu haberi d\u00fcnyaya yayd\u0131\u011f\u0131nda, bilim medyas\u0131 \u00e7\u0131lg\u0131na d\u00f6nd\u00fc. Ba\u015fl\u0131klar, AlphaFold2\u2019nin \u201cher \u015feyi de\u011fi\u015ftirece\u011fini\u201d iddia etti. Tek bir proteinin yap\u0131s\u0131n\u0131 inceleyerek b\u00fct\u00fcn kariyerlerini ge\u00e7irmi\u015f protein biyologlar\u0131n\u0131 i\u015flerini kaybetme korkusu sard\u0131. Baz\u0131lar\u0131 AlphaFold2\u2019nin ila\u00e7 geli\u015ftirme s\u00fcre\u00e7lerini devrim niteli\u011finde de\u011fi\u015ftirece\u011fini \u00f6ne s\u00fcrd\u00fc. Biyologlar art\u0131k proteinlerin \u015fekillerini h\u0131zl\u0131ca \u00f6\u011frenebilece\u011finden dolay\u0131 bu proteinleri hedefleyen yeni ila\u00e7lar \u00fcretebileceklerdi. Di\u011ferleri ise sonu\u00e7lar\u0131n \u00e7o\u011funlukla abart\u0131 oldu\u011funu ve pek bir \u015feyin de\u011fi\u015fmeyece\u011fini savundu.<\/p>\n

Moult\u2019un kendisi bile bu geli\u015fmeyi tam olarak kavrayamam\u0131\u015ft\u0131. Konferans\u0131 herkesin akl\u0131ndaki soru ile sonland\u0131rd\u0131: \u201cPeki \u015fimdi ne olacak?\u201d<\/p>\n

Bu \u00fc\u00e7 bu\u00e7uk y\u0131l \u00f6nceydi. Bug\u00fcn nihayet bu soruya cevap verebilmeye ba\u015fl\u0131yoruz. AlphaFold2, biyologlar\u0131n proteinleri inceleme sistemati\u011fini \u015f\u00fcphesiz de\u011fi\u015ftirdi. Ancak AlphaFold2 g\u00fc\u00e7l\u00fc bir tahmin arac\u0131 olmas\u0131na ra\u011fmen, her \u015feyi bilen bir makine de\u011fil. Protein katlanmas\u0131 probleminin bir k\u0131sm\u0131n\u0131 \u00e7ok p\u00fcr\u00fczs\u00fczce \u00e7\u00f6zd\u00fc, ama bir biliminsan\u0131 gibi de\u011fil. Biyolojik deneylerin yerini almad\u0131; aksine onlara olan ihtiyac\u0131 vurgulad\u0131.<\/p>\n

Belki de AlphaFold2\u2019nin en b\u00fcy\u00fck etkisi, biyologlar\u0131n yapay zek\u00e2n\u0131n g\u00fcc\u00fcne dikkatini \u00e7ekmesi olmu\u015ftur. Do\u011fada bulunmayan yeni proteinleri tasarlayan algoritmalar da dahil olmak \u00fczere yeni algoritmalara; yeni biyoteknoloji \u015firketlerine ve bilim prati\u011fi i\u00e7in yeni y\u00f6ntemlere ilham verdi. May\u0131s 2024\u2019te duyurulan halefi AlphaFold3, DNA veya RNA gibi di\u011fer molek\u00fcllerle kombinasyon i\u00e7indeki proteinlerin yap\u0131lar\u0131n\u0131 modellemeyi ba\u015fararak biyolojik tahminin bir sonraki a\u015famas\u0131na ge\u00e7ti.<\/p>\n

\"\"
1950\u2019lerin ortalar\u0131nda biyokimyac\u0131 Christian Anfinsen\u2019\u0131n proteinleri kimyasal \u00e7\u00f6zeltilere eklemesi bir s\u0131\u00e7rama yaratm\u0131\u015ft\u0131.<\/figcaption><\/figure>\n

AlQuraishi, \u201cBu, en b\u00fcy\u00fck \u2018bilimde makine \u00f6\u011frenmesi\u2019 hikayesidir\u201d diyor. Ancak yapay zek\u00e2n\u0131n hen\u00fcz doldurmad\u0131\u011f\u0131 b\u00fcy\u00fck bo\u015fluklar var. Bu ara\u00e7lar, proteinlerin zaman i\u00e7inde nas\u0131l de\u011fi\u015fti\u011fini sim\u00fcle edemez veya onlar\u0131 h\u00fccre i\u00e7indeki ba\u011flam\u0131nda modelleyemezler. Lawrence Berkeley Ulusal Laboratuvar\u0131\u2019nda biyomolek\u00fcllerin yap\u0131lar\u0131n\u0131 modelleyen algoritmalar geli\u015ftiren yap\u0131 biyolo\u011fu Paul Adams, \u201cAlphaFold her \u015feyi de\u011fi\u015ftirdi ve hi\u00e7bir \u015feyi de\u011fi\u015ftirmedi\u201d diyor.<\/p>\n

Bu yaz\u0131, Jumper\u2019\u0131n Google DeepMind\u2019daki ekibinin protein bilimindeki hamlesini nas\u0131l ger\u00e7ekle\u015ftirdi\u011finin ve biyolojide yapay zek\u00e2n\u0131n gelece\u011fi i\u00e7in ne anlama geldi\u011finin hikayesidir.<\/p>\n

SORUNUN FORM\u00dcLE ED\u0130LMES\u0130
\n<\/strong>Bir origami ka\u011f\u0131d\u0131n\u0131n, belirli \u015fekillerde katlanana kadar bas\u0131lm\u0131\u015f odun hamurundan pek bir fark\u0131 yoktur; ancak sonras\u0131nda yeni bir \u015fey halini al\u0131r. Birka\u00e7 hassas katlama ve d\u00f6nd\u00fcrme hareketiyle, k\u00e2\u011f\u0131t bir falc\u0131ya d\u00f6n\u00fc\u015f\u00fcr, gelece\u011finizi tahmin eden k\u00e2\u011f\u0131ttan bir cihaza. Ayn\u0131 k\u00e2\u011f\u0131d\u0131 al\u0131p baz\u0131 katlama ad\u0131mlar\u0131n\u0131 de\u011fi\u015ftirirseniz, \u015fimdi kanatl\u0131 bir turna halini al\u0131r ve sahibine iyi \u015fans getirir.<\/p>\n

Benzer \u015fekilde, uzun bir aminoasit molek\u00fcl\u00fc dizisi, kendili\u011finden do\u011fal \u015feklini alana kadar i\u015flevsizdir. Biyologlar\u0131n yap\u0131 olarak adland\u0131rd\u0131\u011f\u0131 bu \u015fekil, proteinin nas\u0131l di\u011fer molek\u00fcllerle ba\u011fland\u0131\u011f\u0131n\u0131 veya onlarla etkile\u015fime girdi\u011fini belirler ve dolay\u0131s\u0131yla bir h\u00fccredeki rol\u00fcn\u00fc tan\u0131mlar.<\/p>\n

\"\"
X-ray Kristalografi.<\/figcaption><\/figure>\n

Gezegenimizde birka\u00e7 y\u00fcz milyon bilinen protein var ve \u00e7ok daha fazlas\u0131 bilinmiyor. Proteinler hemen her \u015feyi yaparlar: Hemoglobin ve miyoglobin, oksijeni kaslar ve v\u00fccut boyunca ta\u015f\u0131r. Keratin, sa\u00e7, t\u0131rnak ve cilde yap\u0131 verir. \u0130ns\u00fclin, glukozun h\u00fccrelere hareket etmesini ve enerjiye d\u00f6n\u00fc\u015ft\u00fcr\u00fclmesini sa\u011flar. Proteinler, hayatlar\u0131nda yapt\u0131klar\u0131 say\u0131s\u0131z i\u015fe uyacak \u015fekilde neredeyse sonsuz say\u0131da \u015fekil alabilirler. AlQuraishi, \u201cAtomlardan ekosistemlere kadar, [protein yap\u0131s\u0131] bir t\u00fcr ortak dil gibidir\u201d diyor. \u201cOnlar her \u015feyin ger\u00e7ekle\u015fti\u011fi yerdir.\u201d<\/p>\n

Bir h\u00fccre, aminoasitler ad\u0131 verilen k\u00fc\u00e7\u00fck molek\u00fclleri uzun polipeptit dizileri halinde zincirleme ba\u011flayarak proteinleri \u00fcretir. Se\u00e7ti\u011fi aminoasitler, DNA taraf\u0131ndan sa\u011flanan temel talimat setine ba\u011fl\u0131d\u0131r. Bir polipeptid zinciri yarat\u0131lmas\u0131yla birlikte \u00e7ok k\u0131sa bir s\u00fcre i\u00e7erisinde e\u011filir, burkulur, katlan\u0131r ve proteinin nihai \u00fc\u00e7 boyutlu \u015feklini al\u0131r. Bu molek\u00fcler montaj hatt\u0131ndan \u00e7\u0131kan proteinler biyolojik i\u015fini yapmak \u00fczere harekete ge\u00e7erler.<\/p>\n

E\u011fer proteinler bu katlanma s\u00fcrecini m\u00fckemmel bir \u015fekilde ger\u00e7ekle\u015ftiremeseydi, v\u00fccutta felaketler zinciri meydana gelirdi. Yanl\u0131\u015f katlanm\u0131\u015f veya \u00e7\u00f6z\u00fclm\u00fc\u015f bir protein, toksisiteye ve h\u00fccre \u00f6l\u00fcm\u00fcne yol a\u00e7abilir. Orak h\u00fccre anemisi gibi bir\u00e7ok hastal\u0131k ve bozukluk, yanl\u0131\u015f katlanm\u0131\u015f proteinlerden kaynaklan\u0131r. Yanl\u0131\u015f katlanm\u0131\u015f proteinler, ayn\u0131 zamanda, Alzheimer ve Parkinson gibi n\u00f6rodejeneratif hastal\u0131klar\u0131n ay\u0131rt edici \u00f6zellikleri olan k\u00fcmeler halinde bir araya gelebilir. Ancak, protein katlanmas\u0131n\u0131n tam olarak nas\u0131l ger\u00e7ekle\u015fti\u011fini kimse bilmiyor. Bu basit molek\u00fcler zincirlerdeki dizilim bilgisi, bir proteinin karma\u015f\u0131k \u015feklini nas\u0131l kodlar? Bu, \u201csorabilece\u011fimiz en derin sorudur\u201d diyor Johns Hopkins \u00dcniversitesi\u2019nden emekli biyofizik profes\u00f6r\u00fc George Rose.<\/p>\n

Biliminsanlar\u0131 bu soruyu 1930\u2019lardan beri ara\u015ft\u0131r\u0131yorlard\u0131. Ancak \u00e7al\u0131\u015fmalar, 1950\u2019lerin ortalar\u0131nda biyokimyac\u0131 Christian Anfinsen\u2019\u0131n proteinleri kimyasal \u00e7\u00f6zeltilere ekledi\u011finde ger\u00e7ek bir s\u0131\u00e7rama yapt\u0131. Bu \u00e7\u00f6zeltiler, proteinleri ba\u011flar\u0131n\u0131 k\u0131rarak a\u00e7\u0131yor veya yanl\u0131\u015f katlanmalar\u0131na neden oluyordu. \u00c7\u00f6zeltiye ekledi\u011fi proteinlerin daha sonras\u0131nda neler yapt\u0131klar\u0131n\u0131 g\u00f6zlemleyen Anfinsen, a\u00e7\u0131lm\u0131\u015f veya yanl\u0131\u015f katlanm\u0131\u015f proteinlerin kendili\u011finden do\u011fru yap\u0131lar\u0131na yeniden d\u00f6nd\u00fcklerini g\u00f6rd\u00fc. \u0130leride ona Nobel \u00d6d\u00fcl\u00fc kazand\u0131racak olan bu bulgular, proteinlerin \u00fc\u00e7 boyutlu \u015fekillerini -aminoasit dizilerinin yazd\u0131\u011f\u0131- i\u00e7sel bir kod ile olu\u015fturduklar\u0131n\u0131 g\u00f6sterdi. Anfinsen, buradan yola \u00e7\u0131karak bir proteinin \u015feklinin aminoasit dizisinden tahmin edilebilece\u011fini \u00f6ne s\u00fcrd\u00fc. Bu, genel olarak protein katlanmas\u0131 problemi olarak tan\u0131n\u0131r oldu.<\/p>\n

Bir protein, polipeptid zinciri bir araya geldikten sonra, saniyenin binde biri gibi k\u0131sa bir s\u00fcrede nihai yap\u0131s\u0131na katlanabilir. 1969 tarihli \u201cNas\u0131l Zarif\u00e7e Katlan\u0131l\u0131r\u201d (How to Fold Graciously) ba\u015fl\u0131kl\u0131 makalesinde molek\u00fcler biyolog Cyrus Levinthal, bir proteinin her olas\u0131 katlanma se\u00e7ene\u011fini denemesi durumunda, montaj\u0131n\u0131n imk\u00e2ns\u0131z derecede uzun s\u00fcrece\u011fini hesaplad\u0131. Levinthal bir \u015feyin proteini do\u011frudan do\u011fruya katlanma yoluna y\u00f6nlendirmesi gerekti\u011fini d\u00fc\u015f\u00fcnd\u00fc.<\/p>\n

Zamanla, protein katlanmas\u0131 problemi farkl\u0131 t\u00fcrde sorulara ayr\u0131ld\u0131. \u015eu an i\u00e7in \u00fc\u00e7 ana soru g\u00f6ze \u00e7arp\u0131yor: Bir proteinin yap\u0131s\u0131 aminoasit dizisinden tahmin edilebilir mi? Katlanma kodu nedir? Ve katlanma mekanizmas\u0131 nedir?<\/p>\n

Bu sorular, deneysel olarak belirlenen ilk protein yap\u0131lar\u0131n\u0131n ortaya konuldu\u011fu 1960\u2019lar\u0131n ba\u015flar\u0131nda biliminsanlar\u0131n\u0131n zihinlerine girmeye ba\u015flad\u0131. Cambridge \u00dcniversitesi\u2019nden biyologlar Max Perutz ve John Kendrew, proteinleri kristallere b\u00fcy\u00fctt\u00fc, onlar\u0131 X-\u0131\u015f\u0131nlar\u0131yla bombard\u0131man etti ve \u0131\u015f\u0131nlar\u0131n nas\u0131l b\u00fck\u00fcld\u00fc\u011f\u00fcn\u00fc \u00f6l\u00e7t\u00fc (bu teknik X-\u0131\u015f\u0131n\u0131 kristalografisi olarak bilinir). Bu \u015fekilde hemoglobin ve miyoglobin\u2019in \u00fc\u00e7 boyutlu yap\u0131lar\u0131n\u0131 belirlediler. Bu i\u015flem yirmi y\u0131ldan fazla s\u00fcrd\u00fc ve bu ke\u015fifleri i\u00e7in Nobel \u00d6d\u00fcl\u00fc\u2019n\u00fc payla\u015ft\u0131lar.<\/p>\n

O zamandan beri, say\u0131s\u0131z ara\u015ft\u0131rmac\u0131, sadece farkl\u0131 proteinlerin neye benzedi\u011fini de\u011fil, nas\u0131l bu \u015fekilde g\u00f6r\u00fcnd\u00fcklerini anlamaya \u00e7al\u0131\u015ft\u0131. Glasgow \u00dcniversitesi\u2019nden yap\u0131 biyolo\u011fu Helen Walden, \u201cBir \u015feylerin nas\u0131l g\u00f6r\u00fcnd\u00fc\u011f\u00fcn\u00fc bilmek istemek \u00e7ok insani bir \u015feydir, \u00e7\u00fcnk\u00fc o zaman nas\u0131l i\u015fledi\u011fini anlayabilirsiniz\u201d diyor. Baz\u0131lar\u0131 problemin kimyas\u0131n\u0131, di\u011ferleri fizi\u011fini ara\u015ft\u0131rd\u0131. Deneyciler, protein \u015fekillerini titiz laboratuvar \u00e7al\u0131\u015fmalar\u0131yla yeniden in\u015fa ettiler. Hesaplamal\u0131 biyologlar, modeller ve sim\u00fclasyonlarla ipu\u00e7lar\u0131 arad\u0131lar, bu modelleri ve sim\u00fclasyonlar\u0131 \u00e7e\u015fitli algoritmik kurallar kombinasyonlar\u0131yla tekrar tekrar programlad\u0131lar.<\/p>\n

Daha fazla yap\u0131 elde edildik\u00e7e, protein bilimi toplulu\u011fu bunlar\u0131 d\u00fczenleyip payla\u015fman\u0131n bir yoluna ihtiya\u00e7 duydu. 1971\u2019de Protein Veri Bankas\u0131, protein yap\u0131lar\u0131n\u0131 ar\u015fivleyen bir kaynak olarak kuruldu. Serbest eri\u015filebilir olan bu veri bankas\u0131, bir protein yap\u0131s\u0131n\u0131 biyolojik bir soruyu incelemek i\u00e7in bilmesi gereken herkes i\u00e7in g\u00fcvenilir bir ara\u00e7 haline geldi.<\/p>\n

Protein Veri Bankas\u0131 a\u00e7\u0131ld\u0131\u011f\u0131nda, yedi proteinin yap\u0131s\u0131n\u0131 i\u00e7eriyordu. Neredeyse 50 y\u0131l sonra Google DeepMind AlphaFold2\u2019yi e\u011fitmek i\u00e7in kulland\u0131\u011f\u0131nda ise, her biri yap\u0131 biyologlar\u0131 olarak bilinen biliminsanlar\u0131 taraf\u0131ndan zahmetle \u00e7\u00f6z\u00fcmlenmi\u015f 140.000\u2019den fazla yap\u0131y\u0131 bar\u0131nd\u0131r\u0131yordu.<\/p>\n

Deneycilerin \u0131st\u0131rab\u0131
\n<\/em><\/strong>1970\u2019lerin ortalar\u0131ndan ba\u015flayarak, Janet Thornton her birka\u00e7 ayda bir postayla g\u00fcvenilir bir \u015fekilde bir paket al\u0131yordu. \u0130\u00e7inde Protein Veri Bankas\u0131\u2019na yat\u0131r\u0131lm\u0131\u015f yeni protein yap\u0131lar\u0131 hakk\u0131nda veri i\u00e7eren 12 in\u00e7lik bir manyetik bant vard\u0131. Oxford \u00dcniversitesi\u2019nde biyofizik\u00e7i olan Thornton, yeni yap\u0131lar\u0131 ke\u015ffedildikleri anda analiz edebilmek i\u00e7in paketi hevesle a\u00e7ard\u0131. Thornton\u2019un ald\u0131\u011f\u0131 ilk bantta yaln\u0131zca 20 yap\u0131 vard\u0131.<\/p>\n

Bu proteinlerin her biri y\u0131llarca \u00e7al\u0131\u015fmay\u0131 temsil ediyordu. Genellikle bir doktora \u00f6\u011frencisi, lisans\u00fcst\u00fc okulda d\u00f6rt veya daha fazla y\u0131l\u0131n\u0131 tek bir proteini kristalle\u015ftirmek, ondan veri toplamak ve katlanm\u0131\u015f yap\u0131y\u0131 anlamak i\u00e7in bu verileri yorumlamakla ge\u00e7irirdi.<\/p>\n

Oxford\u2019un biyofizik b\u00f6l\u00fcm\u00fc, o zamanlar, d\u00fcnyan\u0131n X-\u0131\u015f\u0131n\u0131 kristalografisi merkezlerinden biriydi. Orada, 1965\u2019te, protein kristalografisinin \u00f6nc\u00fclerinden biri olan David Phillips, ilk olarak ba\u011f\u0131\u015f\u0131kl\u0131k sisteminin bakterilere sald\u0131rmak i\u00e7in kulland\u0131\u011f\u0131 bir enzimin, lizozimin yap\u0131s\u0131n\u0131 belirledi. Oxford biyofizik\u00e7ileri X-\u0131\u015f\u0131n\u0131 kristalografisini kullanarak, proteinlerin elektron yo\u011funlu\u011funun haritalar\u0131n\u0131 olu\u015fturdular; elektronlar\u0131n topland\u0131\u011f\u0131 alanlarda muhtemelen bir atom bulunuyordu. Thornton ve meslekta\u015flar\u0131, bu elektron yo\u011funlu\u011fu haritalar\u0131n\u0131 plastik levhalara bast\u0131lar ve proteinin co\u011frafyas\u0131n\u0131n bir \u201ckontur haritas\u0131\u201dn\u0131 olu\u015fturmak i\u00e7in bunlar\u0131 \u00fcst \u00fcste koydular.<\/p>\n

\"\"
CASP\u2019\u0131n kurucular\u0131ndan John Moult.<\/figcaption><\/figure>\n

Daha sonra haritalar\u0131 fiziksel modellere d\u00f6n\u00fc\u015ft\u00fcrd\u00fcler. Plastik haritalar\u0131n\u0131, cihaz\u0131 1968\u2019de icat eden Oxford biyofizik\u00e7isi Frederic Richards\u2019\u0131n ad\u0131n\u0131 ta\u015f\u0131yan bir Richards kutusuna yerle\u015ftirdiler. Bir Richards kutusunun i\u00e7inde, a\u00e7\u0131l\u0131 bir ayna haritalar\u0131 bir \u00e7al\u0131\u015fma alan\u0131na yans\u0131tarak ara\u015ft\u0131rmac\u0131lar\u0131n her bir atomun di\u011ferlerine g\u00f6re tam olarak nerede bulundu\u011funu g\u00f6rmelerini sa\u011flad\u0131. Daha sonra modellerini top ve \u00e7ubuklardan fiziksel olarak olu\u015fturdular.<\/p>\n

Bu y\u00f6ntem zahmetli ve k\u0131s\u0131tlay\u0131c\u0131yd\u0131. 1971\u2019de, daha sonra \u00fcnl\u00fc bir kristalograf olacak olan Louise Johnson, 842 aminoasitle o zamanlar \u00fczerinde \u00e7al\u0131\u015f\u0131lm\u0131\u015f en b\u00fcy\u00fck protein olan fosforilaz\u0131 modelliyordu. Johnson, bu modelleme i\u00e7in Oxford\u2019un \u00f6zellikle in\u015fa etti\u011fi iki katl\u0131 bir Richards kutusuna bir merdivenle t\u0131rmanmak zorundayd\u0131.<\/p>\n

Bir model tamamland\u0131ktan sonra, biliminsanlar\u0131 protein yap\u0131s\u0131 i\u00e7in koordinatlar bulmak amac\u0131yla atomlar aras\u0131ndaki mesafeleri \u00f6l\u00e7mek i\u00e7in bir cetvel kulland\u0131lar. Bu, Thornton\u2019un deyi\u015fiyle \u201carkaik\u201d bir y\u00f6ntemdi. Daha sonra koordinatlar\u0131 bir bilgisayara girdiler. Bilgisayarl\u0131 versiyonu, atomlar\u0131n bir karma\u015fa i\u00e7inde bir araya topland\u0131\u011f\u0131 yo\u011fun bir ormana benziyordu. Thornton, yap\u0131ya ancak 3 boyutlu g\u00f6zl\u00fcklerle bakt\u0131\u011f\u0131nda proteinin topolojisini g\u00f6rebildi\u011fini s\u00f6yl\u00fcyor. \u201c\u00c7ok eziyetli bir s\u00fcre\u00e7ti, bunun yap\u0131lm\u0131\u015f olmas\u0131 inan\u0131lmaz.\u201d<\/p>\n

Ancak y\u0131llar s\u00fcren \u0131st\u0131rap dolu bu s\u00fcrecin sonunda ba\u015fard\u0131lar. Ara\u015ft\u0131rmac\u0131lar protein yap\u0131lar\u0131na g\u00fcvendiklerinde, bunu Protein Veri Bankas\u0131\u2019na g\u00f6nderdiler. 1984\u2019e gelindi\u011finde 152 protein depolanm\u0131\u015ft\u0131. 1992\u2019de bu say\u0131 747\u2019ye \u00e7\u0131kt\u0131.<\/p>\n

Deneyciler fiziksel modelleriyle u\u011fra\u015f\u0131rken, protein biyologlar\u0131n\u0131n bir ba\u015fka kesimi olan hesaplamal\u0131 bilimciler farkl\u0131 bir yakla\u015f\u0131m benimsedi. Anfinsen\u2019in bir proteinin yap\u0131s\u0131n\u0131n aminoasit dizisinden tahmin edilebilir olmas\u0131 gerekti\u011fi g\u00f6r\u00fc\u015f\u00fcn\u00fc baz alarak \u00f6zg\u00fcven depolam\u0131\u015flard\u0131.<\/p>\n

Kendi kurallar\u0131n\u0131 yazmak
\n<\/em><\/strong>1960\u2019lar\u0131n ba\u015f\u0131nda lisans \u00f6\u011frencisi olan John Moult fizik\u00e7i olmay\u0131 planl\u0131yordu. Sonra protein katlama problemini duydu. Moult, \u201cBirisi geldi ve biyolojinin biyologlara b\u0131rak\u0131lmayacak kadar \u00f6nemli oldu\u011fu hakk\u0131nda bir ders verdi\u201d diyor, \u201ckibirli bir \u015fekilde ciddiye ald\u0131m\u201d. B\u00fcy\u00fclenen Moult kariyerini farkl\u0131 bir y\u00f6ne \u00e7evirdi.<\/p>\n

Moult mezun olduktan sonra protein kristalografisine y\u00f6neldi. Penisilini yok eden bir bakteri enzimi olan beta-laktamaz da dahil olmak \u00fczere \u00e7e\u015fitli proteinlerin yap\u0131lar\u0131n\u0131 \u00e7\u00f6zd\u00fc ve 1970\u2019te Oxford\u2019da molek\u00fcler biyofizik alan\u0131nda doktoras\u0131n\u0131 ald\u0131. Ancak doktora sonras\u0131 \u00e7al\u0131\u015fmalar\u0131na ba\u015flad\u0131\u011f\u0131nda deneyselci yakla\u015f\u0131mdan s\u0131k\u0131ld\u0131 ve b\u00fcy\u00fcyen protein hesaplama alan\u0131na do\u011fru kaymaya ba\u015flad\u0131. Deneycilerin aksine hesaplamal\u0131 biyologlar, Anfinsen\u2019in hakl\u0131 oldu\u011funu kan\u0131tlamak i\u00e7in bilgisayar algoritmalar\u0131 geli\u015ftirmeye \u00e7al\u0131\u015f\u0131yorlard\u0131. Ama\u00e7, bir dizi aminoasidi al\u0131p do\u011fru protein yap\u0131s\u0131n\u0131 verecek i\u00e7in bir program geli\u015ftirmekti.<\/p>\n

\"\"
\u0130lk CASP konferanslar\u0131 Kaliforniya Monterey\u2019deki Asilomar konferans merkezinde d\u00fczenlendi.<\/figcaption><\/figure>\n

Biyolojik deneylerden hesaplamaya ge\u00e7i\u015f zorluydu. Moult, tek bir protein yap\u0131s\u0131n\u0131 \u00e7\u00f6zmeye y\u00f6nelik yava\u015f ve dikkatli \u00e7al\u0131\u015fmalara al\u0131\u015fm\u0131\u015ft\u0131. Yeni alan\u0131nda ise d\u00fczenli olarak protein katlama problemini ve ilgili alt problemleri \u00e7\u00f6zd\u00fc\u011f\u00fcn\u00fc iddia eden hesaplamal\u0131 makalelerle kar\u015f\u0131la\u015f\u0131yordu.<\/p>\n

Moult ku\u015fkuluydu. \u201cBu alanda yay\u0131nlanan \u015feyler benim al\u0131\u015ft\u0131\u011f\u0131m titizlikte de\u011fildi\u201d diyor. \u201cBunun nedeni, bu alanda hepimizin doland\u0131r\u0131c\u0131 olmas\u0131 de\u011fil. Esas neden, ne t\u00fcr hesaplamal\u0131 i\u015fleri yap\u0131yorsan\u0131z, bunu sanal bir d\u00fcnyada yap\u0131yor olman\u0131zd\u0131r.\u201d<\/p>\n

Bu sanal d\u00fcnyada, do\u011fal d\u00fcnyan\u0131n kurallar\u0131 i\u015fe yaramad\u0131\u011f\u0131nda hesaplamac\u0131lar kendi kurallar\u0131n\u0131 yaz\u0131yorlard\u0131. Algoritmalar\u0131n\u0131, atomlar\u0131n belirli bir \u015fekilde birbirine yap\u0131\u015fmas\u0131 veya proteinin her zaman sa\u011fa veya sola katlanmas\u0131 i\u00e7in tasarlad\u0131lar. Zamanla, modeller ger\u00e7eklikten daha da uzakla\u015ft\u0131. Moult, tam kontrole sahip oldu\u011funuz bir d\u00fcnyada titizli\u011fi s\u00fcrd\u00fcrmenin zor oldu\u011funu d\u00fc\u015f\u00fcnse de, her iki taraf\u0131n da faydal\u0131 yanlar\u0131n\u0131 g\u00f6rebiliyordu. Deneyciler hassas ama yava\u015ft\u0131lar; hesaplamac\u0131lar ise h\u0131zl\u0131 ama biyofiziksel ger\u00e7ekliklerden o kadar uzakt\u0131lar ki \u00e7o\u011fu ko\u015fulda yan\u0131l\u0131yorlard\u0131. Her iki yakla\u015f\u0131m\u0131n en iyilerini bir araya getirmenin bir yolu olmal\u0131 diye d\u00fc\u015f\u00fcn\u00fcyordu.<\/p>\n

Ayaklar yere vurulmaya ba\u015fl\u0131yor
\n<\/em><\/strong>1990\u2019lar\u0131n ba\u015f\u0131nda, Moult ve meslekta\u015f\u0131 Krzysztof Fidelis, alan\u0131n kaosuna disiplin getirme fikrine sahipti. Yap\u0131 Tahmininin Kritik De\u011ferlendirmesi veya \u0130ngilizce k\u0131saltmas\u0131yla CASP ad\u0131n\u0131 verdikleri bir topluluk bilimi deneyi kurdular.<\/p>\n

Fikir basitti. CASP\u2019\u0131n organizat\u00f6rleri olarak Moult ve Fidelis, yap\u0131lar\u0131 yak\u0131n zamanda \u00e7\u00f6z\u00fclm\u00fc\u015f ve deneyciler taraf\u0131ndan kendilerine sa\u011flanm\u0131\u015f ancak sonu\u00e7lar\u0131 hen\u00fcz yay\u0131nlanmam\u0131\u015f proteinler i\u00e7in bir aminoasit dizileri listesi yay\u0131nlayacaklard\u0131. Daha sonra d\u00fcnyan\u0131n d\u00f6rt bir yan\u0131ndaki hesaplama gruplar\u0131, istedikleri y\u00f6ntemi kullanarak proteinin yap\u0131s\u0131n\u0131 tahmin etmek i\u00e7in ellerinden geleni yapacaklard\u0131. Ba\u011f\u0131ms\u0131z bir biliminsanlar\u0131 grubu, cevaplar\u0131n\u0131 deneysel olarak do\u011frulanm\u0131\u015f yap\u0131larla kar\u015f\u0131la\u015ft\u0131rarak modelleri de\u011ferlendirecekti.<\/p>\n

Fikir tuttu. CASP k\u0131sa s\u00fcrede protein katlama problemine y\u00f6nelik hesaplamal\u0131 yakla\u015f\u0131mlar i\u00e7in bir deneme alan\u0131 haline geldi. Bunlar, molek\u00fcler fizi\u011fi sim\u00fcle etme temelli hesaplamal\u0131 yakla\u015f\u0131mlar\u0131n h\u00fck\u00fcm s\u00fcrd\u00fc\u011f\u00fc, yani yapay zek\u00e2n\u0131n y\u00fckseli\u015finden \u00f6nceki zamanlard\u0131. Bu etkinlik, ara\u015ft\u0131rmac\u0131lar i\u00e7in adeta d\u00fc\u015f\u00fcncelerini meslekta\u015flar\u0131na kar\u015f\u0131 kamuya a\u00e7\u0131k bir duru\u015fmada savunma f\u0131rsat\u0131yd\u0131. Thornton\u2019un belirtti\u011fine g\u00f6re, etkinli\u011fin bir t\u00fcr yar\u0131\u015fma olmas\u0131 ama\u00e7lanmam\u0131\u015ft\u0131 ama sonunda bir yar\u0131\u015fmaya d\u00f6n\u00fc\u015ft\u00fc.<\/p>\n

Biliminsanlar\u0131 her iki y\u0131lda bir, Monterey, California yak\u0131nlar\u0131ndaki eski bir \u015fapel olan ve daha \u00f6nceleri Metodist inziva yeri olan Asilomar konferans merkezinde toplan\u0131yordu. Bu konferanslar s\u0131ras\u0131nda, organizat\u00f6rler yar\u0131\u015fman\u0131n sonu\u00e7lar\u0131n\u0131 duyuruyor ve hesaplamac\u0131lar y\u00f6ntemleri ve yakla\u015f\u0131mlar\u0131 hakk\u0131nda konu\u015fmalar yap\u0131yordu. Moult, kat\u0131l\u0131mc\u0131lar\u0131, duyduklar\u0131ndan ho\u015flanmad\u0131klar\u0131 takdirde ayaklar\u0131n\u0131 ah\u015fap zemine vurmaya te\u015fvik ediyordu. Monterey\u2019de \u201cBa\u015flang\u0131\u00e7ta, olduk\u00e7a fazla vurma sesi vard\u0131\u201d diyor.<\/p>\n

Thornton\u2019\u0131n \u00f6\u011frencisi olan University College London\u2019da biyoenformatik profes\u00f6r\u00fc olan David Jones, ayak vuru\u015flar\u0131n\u0131 \u201cneredeyse bir davul gibiydi\u201d diye hat\u0131rl\u0131yor. Biyologlar, konu\u015fmalar ayr\u0131nt\u0131lara saplan\u0131rsa ayaklar\u0131n\u0131 vuruyorlard\u0131. \u0130ddialar abart\u0131l\u0131ysa yine vuruyorlard\u0131. Konu\u015fmac\u0131lar tekrara d\u00fc\u015f\u00fcyor veya \u00e7ok fazla ayr\u0131nt\u0131ya giriyorsa yine vuruyorlard\u0131. Ancak Jones, bunun dostane bir tepki oldu\u011funu, art niyetli olmad\u0131\u011f\u0131n\u0131 s\u00f6yl\u00fcyor.<\/p>\n

\"\"
Rosetta algoritmas\u0131n\u0131 geli\u015ftiren David Baker.<\/figcaption><\/figure>\n

Nedeni ne olursa olsun, ayak vuru\u015flar\u0131n\u0131n yank\u0131lar\u0131 bir konu\u015fmac\u0131n\u0131n kulaklar\u0131nda \u00e7\u0131nlamaya ba\u015flad\u0131\u011f\u0131nda, utan\u00e7 vericiydi. Jones, \u201cTanr\u0131ya \u015f\u00fck\u00fcr hi\u00e7 ba\u015f\u0131ma gelmedi\u201d diyor. Bir y\u0131l, meslekta\u015flar\u0131yla birlikte, aminoasit dizilerinin bilinen protein yap\u0131lar\u0131na uyacak \u015fekilde bir araya getirilerek uygun yap\u0131n\u0131n arand\u0131\u011f\u0131 bir hesaplama yakla\u015f\u0131m\u0131 sundular. \u00c7ok da k\u00f6t\u00fc ge\u00e7memi\u015f. Jones, g\u00fclerek, \u201cOlduk\u00e7a memnunduk. … Ondan sonra her \u015fey yoku\u015f a\u015fa\u011f\u0131 gitti\u201d diyor. \u201cHay\u0131r, [asl\u0131nda] e\u011flenceliydi.\u201d<\/p>\n

Padua \u00dcniversitesi\u2019nde biyoenformatik profes\u00f6r\u00fc olan Silvio Tosatto, o zamanlar \u00e7ok fazla heyecan oldu\u011funu s\u00f6yl\u00fcyor. \u201c\u0130nsanlar do\u011fru algoritmaya sahip olduklar\u0131 i\u00e7in milyoner olabileceklerini, baz\u0131lar\u0131 ise hemen Nobel \u00d6d\u00fcl\u00fc kazanacaklar\u0131n\u0131 d\u00fc\u015f\u00fcn\u00fcyordu.\u201d<\/p>\n

Bunlar\u0131n hi\u00e7biri ilk y\u0131llarda olmad\u0131. O d\u00f6nemde CASP ba\u015fvurular\u0131n\u0131n nas\u0131l oldu\u011fu soruldu\u011funda, Moult durakl\u0131yor ve \u201crastgele\u201d kavram\u0131n\u0131n duruma uydu\u011funu s\u00f6yl\u00fcyor. Baz\u0131 y\u00f6ntemler, beklenenden daha iyi performans g\u00f6sterirken (\u00f6rne\u011fin, bilinen proteinlerin yap\u0131lar\u0131n\u0131 kar\u015f\u0131la\u015ft\u0131rarak bilinmeyenlerin yap\u0131lar\u0131n\u0131 \u00e7\u0131karsayan \u201chomoloji modellemesi\u201d gibi), di\u011ferleri ise tam bir zaman kayb\u0131yd\u0131. Moult, yap\u0131 tahminlerinin \u00e7o\u011funun \u201ci\u015fkence g\u00f6rm\u00fc\u015f gibi g\u00f6r\u00fcnen nesneler\u201d oldu\u011funu s\u00f6yl\u00fcyor.<\/p>\n

Hollanda Kanser Enstit\u00fcs\u00fc ve Utrecht \u00dcniversitesi\u2019nden yap\u0131sal biyolog Anastassis Perrakis,<\/p>\n

\u201cOnlar\u0131n ba\u015far\u0131s\u0131z olmas\u0131n\u0131 g\u00f6rmek ho\u015fuma gidiyordu\u201d diyerek alay ediyor. Kendisi ayn\u0131 zamanda CASP organizat\u00f6rlerine yar\u0131\u015fmada kullan\u0131lmak \u00fczere deneysel olarak belirlenmi\u015f yap\u0131lar veren ki\u015fiydi. \u201cBu bir rekabet de\u011fil, ancak bilimde birbirimizi k\u0131zd\u0131rmay\u0131 seviyoruz.\u201d<\/p>\n

Bu s\u00fcre\u00e7te yava\u015f yava\u015f \u00f6nc\u00fcler ortaya \u00e7\u0131kmaya ba\u015flad\u0131. 1996\u2019da ikinci CASP tamamland\u0131ktan sonra David Baker ad\u0131nda gen\u00e7 bir ara\u015ft\u0131rmac\u0131 Jones\u2019a havaalan\u0131na giderken taksi payla\u015fma \u00f6nerisinde bulundu. Baker, Jones\u2019un konu\u015fmas\u0131n\u0131 dinlemi\u015fti ve o s\u0131ralar kendi hesaplamal\u0131 modeli \u00fczerinde \u00e7al\u0131\u015f\u0131yordu. O seferki CASP i\u00e7in haz\u0131r de\u011fildi, ancak bunun hakk\u0131nda sohbet etmek istiyordu. Jones takside onun fikirlerini dinledi ve onu bir daha g\u00f6rece\u011fini hi\u00e7 ummuyordu.<\/p>\n

1998\u2019deki bir sonraki yar\u0131\u015fmada Baker, Rosetta algoritmas\u0131yla kap\u0131lar\u0131 ard\u0131na kadar a\u00e7t\u0131. Baker bir anda \u201calt edilmesi gereken adam\u201d haline geldi. Rosetta gibi algoritmalar, aminoasit molek\u00fcllerinin atomlar\u0131 aras\u0131ndaki etkile\u015fimleri modelleyerek bunlar\u0131n nas\u0131l katlanaca\u011f\u0131n\u0131 tahmin ediyordu. Baker, \u201cProtein yap\u0131s\u0131n\u0131n ger\u00e7ekten tahmin edilebilece\u011fini g\u00f6sterdik\u201d diyor. \u201cAncak yararl\u0131 olmak i\u00e7in yeterince iyi veya do\u011fru de\u011fildi.\u201d<\/p>\n

2008\u2019de insanlar h\u00e2l\u00e2 bilgisayarlara \u00fcst\u00fcn gelebiliyordu. O s\u0131ralarda Washington \u00dcniversitesi\u2019nde kendi laboratuvar\u0131n\u0131 y\u00f6neten Baker, oyuncular\u0131n aminoasit dizilerini protein yap\u0131lar\u0131na katlad\u0131\u011f\u0131 Foldit adl\u0131 \u00fccretsiz bir \u00e7evrimi\u00e7i bilgisayar oyunu yaratt\u0131. Ekibi, Nature<\/em>\u2019da yay\u0131nlad\u0131klar\u0131 bir makalede, insan Foldit oyuncular\u0131n\u0131n protein modellemede Rosetta\u2019dan daha iyi performans g\u00f6sterdi\u011fini bildirdi.<\/p>\n

Ancak insan liderli\u011fi uzun s\u00fcrmedi. 2010\u2019lar\u0131n ba\u015flar\u0131nda, e\u015f-evrim olarak bilinen bir yakla\u015f\u0131mda \u00f6nemli at\u0131l\u0131mlar alan\u0131 ileriye ta\u015f\u0131d\u0131 ve daha sonra yapay zek\u00e2 i\u00e7in kritik hale geldi. Onlarca y\u0131ld\u0131r var olan fikir basitti: Biliminsanlar\u0131 y\u00fczlerce ila binlerce proteindeki yak\u0131ndan ili\u015fkili aminoasit dizilerini kar\u015f\u0131la\u015ft\u0131rarak mutasyona u\u011fram\u0131\u015f aminoasitleri belirleyebilir ve daha da \u00f6nemlisi, di\u011ferleriyle uyumlu bir \u015fekilde mutasyona u\u011fray\u0131p u\u011framad\u0131klar\u0131n\u0131 g\u00f6rebilirdi. \u0130ki aminoasit birlikte de\u011fi\u015ftiyse, muhtemelen bir \u015fekilde ba\u011flant\u0131l\u0131yd\u0131lar. Berkeley Lab\u2019daki yap\u0131sal biyolog Adams, \u201c\u015eunu s\u00f6yleyebiliyorsunuz: \u2018Bu iki \u015fey muhtemelen uzayda birbirine yak\u0131n\u2019\u201d diyor.<\/p>\n

Ancak 2010\u2019lar\u0131n ba\u015f\u0131na kadar, hangi aminoasitlerin temas halinde oldu\u011funa dair bu t\u00fcr tahminler kasvetliydi. Do\u011fruluklar\u0131 % 20 ile % 24 aras\u0131nda de\u011fi\u015fiyordu. Daha sonra biliminsanlar\u0131 istatistiksel y\u00f6ntemlerinin hatalara yol a\u00e7t\u0131\u011f\u0131n\u0131 fark ettiler. Baz\u0131 aminoasitler temas halinde olmad\u0131klar\u0131 halde temas halindeymi\u015f gibi g\u00f6r\u00fcn\u00fcyordu. Daha sonra Moult, istatistik\u00e7ilerin bu t\u00fcr hatalar\u0131n onlarca y\u0131ld\u0131r fark\u0131nda oldu\u011funu \u00f6\u011frendi. Geriye bakt\u0131\u011f\u0131n\u0131zda, \u201cNas\u0131l bu kadar aptal olabilirim?\u201d diye d\u00fc\u015f\u00fcn\u00fcrd\u00fcn\u00fcz.<\/p>\n

Hesaplamal\u0131 biyologlar istatistiksel ara\u00e7lar\u0131 hatalardan temizlediler. 2016\u2019ya gelindi\u011finde, temas tahmininin do\u011frulu\u011fu % 47\u2019ye f\u0131rlad\u0131. \u0130ki y\u0131l sonra ise % 70\u2019e ula\u015ft\u0131. Baker\u2019\u0131n algoritmas\u0131 bu ba\u015far\u0131 \u00fczerine in\u015fa edildi: 2014\u2019te Rosetta, bir CASP de\u011ferlendiricisinin Baker\u2019\u0131n protein katlama sorununu tamamen \u00e7\u00f6zm\u00fc\u015f oldu\u011funu d\u00fc\u015f\u00fcnebilece\u011fi kadar do\u011fru iki protein yap\u0131s\u0131 \u00fcretti.<\/p>\n

Adams, e\u015f-evrim yakla\u015f\u0131m\u0131n\u0131n i\u00e7g\u00f6r\u00fcs\u00fcn\u00fcn \u201charika\u201d oldu\u011funu s\u00f6yl\u00fcyor. Makine \u00f6\u011freniminin yayg\u0131nla\u015fmas\u0131ndan \u00f6nce \u201cbu alan\u0131 ger\u00e7ekten ileriye ta\u015f\u0131yan b\u00fcy\u00fck \u015feylerden biriydi\u201d. Ancak, alan\u0131 bu kadar ileri g\u00f6t\u00fcrebildi. E\u015f-evrim, kar\u015f\u0131la\u015ft\u0131r\u0131lacak \u00e7ok say\u0131da benzer protein gerektiriyordu ve deneyciler, hesaplamac\u0131lar\u0131n ihtiya\u00e7lar\u0131n\u0131 kar\u015f\u0131layacak kadar h\u0131zl\u0131 protein yap\u0131lar\u0131n\u0131 \u00e7\u00f6zemiyorlard\u0131.<\/p>\n

Moult, evrimsel biyolojiden bir terim kullanarak, y\u0131llar\u0131n s\u0131\u00e7ramal\u0131 bir denge i\u00e7inde ak\u0131p ge\u00e7ti\u011fini s\u00f6yledi. Bazen sanki bir milyar y\u0131ld\u0131r hi\u00e7bir iyi fikir evrimle\u015fmemi\u015f gibi hissediliyordu ve sonra heyecan verici bir \u015fey oluveriyordu.<\/p>\n

DER\u0130NL\u0130\u011eE DALMAK
\n<\/strong>David Jones, 2016 y\u0131l\u0131nda Nature<\/em> dergisinde yay\u0131nlanan yeni bir makalede gelece\u011fe dair yeni bir bak\u0131\u015f a\u00e7\u0131s\u0131 yakalad\u0131. Londra merkezli bir yapay zek\u00e2 ekibi olan Google DeepMind\u2019dan ara\u015ft\u0131rmac\u0131lar, derin \u00f6\u011frenme olarak bilinen bir y\u00f6ntemi kullanan algoritmalar\u0131n\u0131n Go adl\u0131 eski bir masa oyununda usta bir insan rakibini nas\u0131l yendi\u011fini ayr\u0131nt\u0131l\u0131 olarak anlatt\u0131. Jones hayrete d\u00fc\u015fm\u00fc\u015ft\u00fc. O zamanlar \u201cBir \u015feyler oluyor\u201d diye d\u00fc\u015f\u00fcnd\u00fc\u011f\u00fcn\u00fc hat\u0131rl\u0131yordu. \u201cBu derin \u00f6\u011frenme i\u015fine ger\u00e7ekten girmem gerekecek.\u201d<\/p>\n

Derin \u00f6\u011frenme, yapay zek\u00e2n\u0131n insan beyninden esinlenen bir \u00e7e\u015fididir. Beyninizde, molek\u00fcler bilgiler n\u00f6ron ad\u0131 verilen birbirine ba\u011fl\u0131 bir beyin h\u00fccreleri a\u011f\u0131 \u00fczerinden g\u00f6nderilir. N\u00f6ronlar\u0131n, kom\u015fu n\u00f6ronlar taraf\u0131ndan g\u00f6nderilen ve al\u0131c\u0131 n\u00f6rona ya ate\u015f edip bir sinyal yaymas\u0131n\u0131 ya da ate\u015f etmemesini s\u00f6yleyen molek\u00fclleri yakalayan dendrit ad\u0131 verilen k\u00fc\u00e7\u00fck kollar\u0131 vard\u0131r.<\/p>\n

Brown \u00dcniversitesi\u2019nde bilgisayar bilimi profes\u00f6r\u00fc olan Michael Littman, \u201cE\u011fer o n\u00f6ronda yeterli aktivite olursa, o n\u00f6ron ate\u015f edecektir\u201d diyor. Bu s\u00fcre\u00e7, bir sonraki n\u00f6rona ba\u015fka bir molek\u00fcl dalgas\u0131n\u0131n sal\u0131nmas\u0131yla sonu\u00e7lan\u0131r.<\/p>\n

\"\"
Google DeepMind\u2019\u0131n yapay zeka sistemi AlphaGo, 2016 y\u0131l\u0131nda Go oyununun d\u00fcnya \u015fampiyonu Lee Sedol\u2019u (sa\u011fda) yendi.<\/figcaption><\/figure>\n

1950\u2019lerde bilgisayar bilimcileri, \u201csinir a\u011flar\u0131\u201d yaratmak i\u00e7in elektronik par\u00e7alar\u0131 birbirine ba\u011flayabileceklerini fark ettiler. Sinir a\u011f\u0131ndaki her birim, ara\u015ft\u0131rmac\u0131lar\u0131n bir n\u00f6rona benzetti\u011fi bir d\u00fc\u011f\u00fcmd\u00fcr: Bir n\u00f6ron, di\u011fer n\u00f6ronlardan bilgi al\u0131r, sonra bir sonrakilere do\u011fru ate\u015f edip etmeyece\u011fini hesaplar. Sinir a\u011flar\u0131nda bilgi, bir g\u00f6r\u00fcnt\u00fcdeki k\u00f6pe\u011fi tan\u0131mak gibi belirli bir sonucu \u00fcretmek i\u00e7in birden fazla n\u00f6ron katman\u0131 aras\u0131nda yay\u0131l\u0131r.<\/p>\n

Ne kadar \u00e7ok n\u00f6ron katman\u0131n\u0131z varsa, o kadar karma\u015f\u0131k hesaplamalar yapabilirsiniz. Ancak erken d\u00f6nem sinir a\u011flar\u0131 yaln\u0131zca iki katmandan olu\u015fuyordu. 1990\u2019larda bu say\u0131 \u00fc\u00e7e \u00e7\u0131kt\u0131 ve yirmi y\u0131l boyunca orada kald\u0131. Littman, \u201cBundan daha derin a\u011flar\u0131 g\u00fcvenilir bir \u015fekilde nas\u0131l olu\u015fturaca\u011f\u0131m\u0131z\u0131 \u00e7\u00f6zemedik\u201d diyor.<\/p>\n

Jones ve Moult da dahil olmak \u00fczere yap\u0131sal biyologlar, 1990\u2019lardan beri protein biliminde sinir a\u011flar\u0131n\u0131 kullanmay\u0131 denediler, ancak a\u011flar\u0131n s\u0131\u011fl\u0131\u011f\u0131 ve verilerin seyrekli\u011fi onlar\u0131 engelledi. 2010\u2019lar\u0131n ba\u015f\u0131nda, bilgisayar bilimcileri daha fazla katman\u0131n d\u00fczg\u00fcn bir \u015fekilde e\u011fitilmesine imk\u00e2n sa\u011flayacak daha iyi yap\u0131land\u0131r\u0131lm\u0131\u015f sinir a\u011flar\u0131 yapmay\u0131 ke\u015ffettiler. A\u011flar 20, 50, 100 ve sonra binlerce katmana kadar derinle\u015fti. Littman, \u201cBunu 90\u2019larda yapt\u0131\u011f\u0131m\u0131z versiyonundan ay\u0131rmak i\u00e7in insanlar buna \u2018derin \u00f6\u011frenme\u2019 demeye ba\u015flad\u0131\u201d diyor. \u201c\u00c7\u00fcnk\u00fc makine \u00f6\u011frenmecileri bir \u015feyde iyiyse, o da seksi isimler uydurmakt\u0131r.\u201d<\/p>\n

Derin \u00f6\u011frenme yapay zek\u00e2y\u0131 d\u00f6n\u00fc\u015ft\u00fcrd\u00fc ve foto\u011fraflardaki veya seslerdeki \u00f6zellikleri tan\u0131mada (ve daha sonralar\u0131 oyunlarda insanlar\u0131 yenmede) \u00fcst\u00fcn olan algoritmalar ortaya \u00e7\u0131kt\u0131. Mart 2016\u2019da, DeepMind\u2019\u0131n kurucu orta\u011f\u0131 Demis Hassabis, Seul\u2019de yapay zek\u00e2 sistemi AlphaGo\u2019nun eski Go oyununda bir insan d\u00fcnya \u015fampiyonunu yendi\u011fini izlerken, lisans \u00f6\u011frencisiyken Foldit oynad\u0131\u011f\u0131 zamanlar\u0131 hat\u0131rlad\u0131\u011f\u0131n\u0131 s\u00f6yl\u00fcyor. Akl\u0131nda \u015f\u00f6yle bir d\u00fc\u015f\u00fcnce belirdi: DeepMind ara\u015ft\u0131rmac\u0131lar\u0131 Go ustalar\u0131n\u0131n sezgilerini taklit eden bir algoritma yazabiliyorlarsa, biyoloji hakk\u0131nda hi\u00e7bir \u015fey bilmeyen ancak proteinleri katlayabilen Foldit oyuncular\u0131n\u0131n sezgilerini taklit eden bir algoritma yazamazlar m\u0131yd\u0131?<\/p>\n

Chicago\u2019daki Toyota Teknoloji Enstit\u00fcs\u00fc\u2019nde profes\u00f6r olan Jinbo Xu da protein katlama problemini \u00e7\u00f6zmek i\u00e7in derin \u00f6\u011frenme kullan\u0131m\u0131n\u0131n potansiyelini fark edenler aras\u0131nda. Bu a\u011flar\u0131n g\u00f6r\u00fcnt\u00fc tan\u0131mada yapt\u0131klar\u0131ndan ilham ald\u0131. O zamana kadar bilgisayar bilimcileri, g\u00f6r\u00fcnt\u00fcleri par\u00e7alara ay\u0131rmak ve aralar\u0131ndaki \u00f6r\u00fcnt\u00fcleri belirlemek i\u00e7in derin \u00f6\u011frenme algoritmalar\u0131n\u0131 programlayan evri\u015fimsel (convolutional) a\u011flarla b\u00fcy\u00fck ba\u015far\u0131 elde etmi\u015fti. Xu bu tekni\u011fi protein katlamas\u0131na getirdi. Uzayda hangi aminoasitlerin birbirine yak\u0131n oldu\u011funu temsil etmek i\u00e7in matris ad\u0131 verilen matematiksel bir nesne kulland\u0131, ard\u0131ndan verileri bir g\u00f6r\u00fcnt\u00fc olarak evri\u015fimsel bir a\u011fa y\u00fckledi. Algoritma, bir proteini olu\u015fturan atomlar\u0131n \u00fc\u00e7 boyutlu koordinatlar\u0131n\u0131 tahmin etmek i\u00e7in bu g\u00f6r\u00fcnt\u00fcler aras\u0131ndaki \u00f6r\u00fcnt\u00fcleri arad\u0131.<\/p>\n

Xu, 2016\u2019da bu \u00e7al\u0131\u015fman\u0131n \u00f6n bask\u0131s\u0131n\u0131 arxiv.org\u2019da yay\u0131nlad\u0131 (daha sonra PLOS Hesaplamal\u0131 Biyoloji\u2019de yay\u0131mland\u0131) ve Moult\u2019un s\u00f6yledi\u011fine g\u00f6re bu alan i\u00e7in \u201colduk\u00e7a etkili\u201d oldu. \u0130nsanlara \u201cderin \u00f6\u011frenmeyle yapabilece\u011finiz \u015feyleri\u201d g\u00f6sterdi.<\/p>\n

\u00c7ok ge\u00e7meden protein yap\u0131 gruplar\u0131 derin \u00f6\u011frenmeyle u\u011fra\u015fmaya ba\u015flad\u0131. AlQuraishi ve ekibi, \u201cu\u00e7tan uca\u201d y\u00f6ntem olarak adland\u0131r\u0131lan, yaln\u0131zca sinir a\u011flar\u0131yla protein yap\u0131s\u0131n\u0131 do\u011frudan tahmin edebilen bir yakla\u015f\u0131m geli\u015ftiren ilk ki\u015filerdi; bu pek i\u015fe yaramad\u0131. Di\u011ferleri ise bu kadar \u00f6nemli hissettiren yeni bir yakla\u015f\u0131ma nas\u0131l ayak basabileceklerini d\u00fc\u015f\u00fcnmeye ba\u015flad\u0131lar.<\/p>\n

Jones, \u201cDerin \u00f6\u011frenmeyle tam olarak ne yapmak istedi\u011fimi bilmiyordum, ancak derin \u00f6\u011frenme yapmam gerekti\u011fini fark etmi\u015ftim\u201d diyor.<\/p>\n

Bu alana girmek i\u00e7in fon ba\u015fvurular\u0131nda bulunmaya ba\u015flad\u0131\u011f\u0131 s\u0131ralarda Google DeepMind\u2019dan bir e-posta ald\u0131. Jones\u2019a CASP yar\u0131\u015fmas\u0131 hakk\u0131nda sorular sordular ve yard\u0131m teklif ettiler. Jones, o s\u0131rada anlad\u0131\u011f\u0131 tek \u015feyin \u201c\u00e7ok fazla bilgisayar g\u00fcc\u00fcm\u00fcz var\u201d demeye getirdikleriydi diyor. Onlarla tan\u0131\u015ft\u0131ktan sonra, Google\u2019\u0131n daha b\u00fcy\u00fck h\u0131rslar\u0131 oldu\u011fu ortaya \u00e7\u0131kt\u0131. Ancak bunlar\u0131 ba\u015farmak i\u00e7in teknoloji devinin daha fazla bilimsel beyin g\u00fcc\u00fcne ihtiyac\u0131 olacakt\u0131.<\/p>\n

Sahada yeni bir oyuncu
\n<\/em><\/strong>2016 y\u0131l\u0131nda Jones, daha sonra AlphaFold olarak bilinecek bir proje \u00fczerinde Google DeepMind i\u00e7in dan\u0131\u015fman olarak \u00e7al\u0131\u015fmaya ba\u015flad\u0131\u011f\u0131nda, John Jumper Chicago \u00dcniversitesi\u2019nde teorik kimya alan\u0131nda doktoras\u0131n\u0131 tamaml\u0131yordu.<\/p>\n

Jumper gen\u00e7li\u011finde bilgisayarlar\u0131 nas\u0131l programlayaca\u011f\u0131n\u0131 kendi ba\u015f\u0131na \u00f6\u011frenmi\u015fti. Ayr\u0131ca fizik konusunda da yetene\u011fi vard\u0131. Bu y\u00fczden \u00fcniversiteye gitme zaman\u0131 geldi\u011finde, her ikisi de m\u00fchendis olan anne ve babas\u0131n\u0131n onun asla i\u015f bulamayaca\u011f\u0131ndan endi\u015fe etmesine ra\u011fmen matematik ve fizik okumaya karar verdi.<\/p>\n

Jumper, \u201cBa\u015ftan sona bir \u2018evrenin yasalar\u0131\u2019 fizik\u00e7isi olaca\u011f\u0131m\u0131 d\u00fc\u015f\u00fcn\u00fcyordum\u201d diyor. \u201cEvren hakk\u0131nda do\u011fru bir \u015fey ke\u015ffetme fikrini her zaman sevmi\u015ftim.\u201d<\/p>\n

Vanderbilt \u00dcniversitesi\u2019nde lisans \u00f6\u011frencisiyken, kuark ad\u0131 verilen atom alt\u0131 par\u00e7ac\u0131klar\u0131n garip \u00f6zelliklerini incelemek i\u00e7in Fermi Ulusal H\u0131zland\u0131r\u0131c\u0131 Laboratuvar\u0131\u2019ndaki ara\u015ft\u0131rmac\u0131larla bir i\u015fbirli\u011fine kat\u0131ld\u0131. Bir g\u00fcn, ara\u015ft\u0131rmac\u0131larla \u00f6\u011fle yeme\u011fi masas\u0131nda otururken, ac\u0131 bir haber ald\u0131. \u201cPeki, \u00fczerinde \u00e7al\u0131\u015ft\u0131\u011f\u0131m\u0131z bu deney ne zaman ba\u015flayacak?\u201d Jumper onlara bu soruyu sordu\u011funu hat\u0131rl\u0131yor. Profes\u00f6rlerden biri muhtemelen bunu g\u00f6rene kadar \u00e7oktan emekli olaca\u011f\u0131n\u0131, biraz daha ya\u015fl\u0131 olan bir di\u011feri ise bunu g\u00f6recek kadar ya\u015fayamayaca\u011f\u0131n\u0131 s\u00f6ylemi\u015fti.<\/p>\n

\"\"
Lisans \u00f6\u011frencisiyken John Jumper fizik ve matematik okudu ve ard\u0131ndan kendini proteinlerin bilgisayar sim\u00fclasyonlar\u0131n\u0131 olu\u015fturma i\u015finde buldu. Bu deneyimler onu Google DeepMind\u2019\u0131n AlphaFold projesine liderlik etmeye haz\u0131rlad\u0131.<\/figcaption><\/figure>\n

\u201cBilim alan\u0131nda bundan biraz daha k\u0131sa bir zaman diliminde \u00e7al\u0131\u015fmak istiyordum\u201d diyor Jumper. Lisans e\u011fitimini tamamlad\u0131ktan sonra teorik yo\u011fun madde fizi\u011fi alan\u0131nda doktora program\u0131na ba\u015flad\u0131 ancak k\u0131sa s\u00fcre sonra b\u0131rakt\u0131. O zamanlar proteinlerin temel sim\u00fclasyonlar\u0131n\u0131 olu\u015fturan New York merkezli bir \u015firket olan D.E. Shaw Research\u2019te i\u015fe girmi\u015fti. Proteinlerin nas\u0131l hareket etti\u011fini ve de\u011fi\u015fti\u011fini anlayarak akci\u011fer kanseri gibi \u00e7e\u015fitli rahats\u0131zl\u0131klar\u0131n mekanizmalar\u0131n\u0131 daha iyi anlamay\u0131 umuyorlard\u0131.<\/p>\n

Jumper\u2019\u0131n \u00e7al\u0131\u015fmalar\u0131n\u0131n potansiyel \u00f6nemini ilk kez kavrad\u0131\u011f\u0131 zamand\u0131: \u201cBu sa\u011fl\u0131k ve insanlar\u0131n ya\u015famlar\u0131n\u0131 uzatmakla ilgili\u201d. Jumper sonraki \u00fc\u00e7 y\u0131l boyunca \u015firketin molek\u00fclleri daha h\u0131zl\u0131 sim\u00fcle etmek i\u00e7in \u00f6zel olarak in\u015fa ettikleri s\u00fcper bilgisayarlarda protein hareketlerini modelledi. \u201cBaz\u0131 haftalar\u0131n Sal\u0131 g\u00fcnleri t\u00fcm doktora \u00e7al\u0131\u015fmam boyunca yapaca\u011f\u0131mdan daha fazla sim\u00fclasyon yap\u0131yordum\u201d diyor.<\/p>\n

2011\u2019de lisans\u00fcst\u00fc okula bir \u015fans daha verdi, bu sefer Chicago \u00dcniversitesi\u2019nde teorik kimya okudu. H\u00e2l\u00e2 protein yap\u0131s\u0131 ve hareketiyle ilgileniyordu. Ancak akademinin yava\u015f temposundan b\u0131km\u0131\u015ft\u0131. Jumper, D. E. Shaw\u2019da kulland\u0131\u011f\u0131 \u201c\u00f6zel bilgisayar donan\u0131m\u0131na art\u0131k eri\u015fimim yoktu\u201d diyor. Yapay zek\u00e2y\u0131 -\u201co zamanlar buna istatistiksel fizik diyorduk\u201d- geli\u015fmi\u015f makineler gerektiren h\u0131zl\u0131 sim\u00fclasyonlar\u0131n seviyesine ula\u015fmak i\u00e7in kullan\u0131p kullanamayaca\u011f\u0131n\u0131 merak ediyordu. B\u00f6ylece makine \u00f6\u011frenimi ve sinir a\u011flar\u0131yla u\u011fra\u015fmaya ba\u015flad\u0131.<\/p>\n

Bu s\u00fcre zarf\u0131nda protein katlama problemi hakk\u0131nda da d\u00fc\u015f\u00fcnmeye ba\u015flad\u0131. Problemin Protein Veri Bankas\u0131\u2019nda bulunan e\u011fitim verileriyle \u00e7\u00f6z\u00fclebilece\u011finden \u015f\u00fcpheleniyordu – 2012\u2019ye gelindi\u011finde 76.000\u2019den fazla protein yap\u0131s\u0131 i\u00e7eriyordu. \u201cVerilerin yeterli oldu\u011funa inan\u0131yordum\u201d, ancak \u201cfikirler yeterli de\u011fildi\u201d. Jumper, 2017\u2019de Google DeepMind\u2019\u0131n protein yap\u0131 tahmini i\u015fine girdi\u011fine dair bir s\u00f6ylenti duydu. Doktoras\u0131n\u0131 yeni bitirmi\u015fti ve protein katlanmas\u0131n\u0131 ve dinamiklerini sim\u00fcle etmek i\u00e7in makine \u00f6\u011frenimini kullan\u0131yordu. Ara\u015ft\u0131rmac\u0131 olarak i\u015fe ba\u015fvurdu. \u201cProje h\u00e2l\u00e2 gizliydi\u201d. Bir g\u00f6r\u00fc\u015fmede protein katlanmas\u0131 konusunu a\u00e7t\u0131\u011f\u0131nda, DeepMind ekibi konuyu de\u011fi\u015ftiriyordu.<\/p>\n

Ekim 2017\u2019de DeepMind\u2019\u0131n Londra ofisine geldi. Jones\u2019un dan\u0131\u015fmanl\u0131k deste\u011fiyle ekip, AlphaFold\u2019un geli\u015ftirilmesine \u00e7oktan ba\u015flam\u0131\u015ft\u0131. Jones, \u201cDuvardan fikirler sektirdi\u011fimiz \u00e7ok e\u011flenceli zamanlard\u0131\u201d diyor. \u201cSonunda iyi bir temel fikir ortaya \u00e7\u0131kt\u0131 ve bunun \u00fczerine gittiler.\u201d<\/p>\n

Algoritmalar\u0131n\u0131 e\u011fitmek i\u00e7in DeepMind ekibi, Protein Veri Bankas\u0131\u2019ndan 140.000\u2019den fazla yap\u0131 kulland\u0131. Bu bilgileri bir evri\u015fimsel a\u011fa girdiler, ancak yapay zek\u00e2 mimarisinde pek bir de\u011fi\u015fiklik yapmad\u0131lar. Jumper, bunun \u201cstandart makine \u00f6\u011frenimi\u201d oldu\u011funu s\u00f6yl\u00fcyor.<\/p>\n

2018 bahar\u0131nda AlphaFold, CASP\u2019ye kat\u0131lmaya ve ger\u00e7ek bilim insanlar\u0131yla yar\u0131\u015fmaya haz\u0131rd\u0131. Jones\u2019 g\u00f6re \u201cBu biraz Formula 1 yar\u0131\u015f\u0131na benziyor\u201d. \u201cEn iyi arabay\u0131 yapt\u0131\u011f\u0131n\u0131z\u0131 d\u00fc\u015f\u00fcn\u00fcyorsunuz, ancak di\u011fer tak\u0131mlar\u0131n ne yapt\u0131\u011f\u0131n\u0131 bilmiyorsunuz.\u201d Riskler y\u00fcksekti. DeepMind ekibi, anonim olarak rekabet edip etmemeleri konusunda tart\u0131\u015f\u0131yordu; a\u015fa\u011f\u0131lanma riskini almak istemediler.<\/p>\n

\u201cKimse ba\u015far\u0131s\u0131z olmak istemez,\u201d dedi Jones. \u201cAkademide bu i\u015fin bir par\u00e7as\u0131d\u0131r; ba\u015far\u0131s\u0131z olursunuz ve ba\u015fka se\u00e7ene\u011finiz olmad\u0131\u011f\u0131 i\u00e7in devam edersiniz. Ancak tabii ki milyarlarca dolarl\u0131k bir teknoloji \u015firketiyseniz, bir \u015fey yapmaya \u00e7al\u0131\u015f\u0131p ba\u015far\u0131s\u0131z olman\u0131z iyi bir g\u00f6r\u00fcnt\u00fc olmaz.\u201d<\/p>\n

Sonu\u00e7lar\u0131n\u0131 Google DeepMind ad\u0131 alt\u0131nda sunmaya karar verdiler. Aral\u0131k toplant\u0131s\u0131ndan birka\u00e7 ay \u00f6nce Jones, CASP\u2019nin organizat\u00f6rlerinden haber ald\u0131. AlphaFold\u2019un ger\u00e7ekten iyi performans g\u00f6sterdi\u011fi i\u00e7in DeepMind ekibinin toplant\u0131ya gelmesini \u00f6nermi\u015flerdi.<\/p>\n

Zaferleri \u00e7ok b\u00fcy\u00fck de\u011fildi – protein yap\u0131lar\u0131n\u0131 bir sonraki en iyi tak\u0131ma k\u0131yasla yakla\u015f\u0131k 2,5 kat daha iyi tahmin ediyorlard\u0131. Ancak bu ba\u015far\u0131 bir izlenim b\u0131rakt\u0131. \u201c\u0130lgin\u00e7 bir \u015feyin oldu\u011fu a\u00e7\u0131kt\u0131\u201d diyor Moult.<\/p>\n

Algoritmay\u0131 yeniden ba\u015flatmak
\n<\/em><\/strong>Zafer DeepMind ekibine enerji vermi\u015f olmal\u0131yd\u0131. Ancak protein katlama sorununu \u00e7\u00f6zmeye yak\u0131n olmad\u0131klar\u0131n\u0131 biliyorlard\u0131. Hassabis onlar\u0131 birka\u00e7 ay \u00f6nce toplam\u0131\u015ft\u0131. Jumper, \u201cBunu \u00e7\u00f6zmeye mi \u00e7al\u0131\u015faca\u011f\u0131z yoksa \u00e7al\u0131\u015fmayacak m\u0131y\u0131z?\u201d dedi\u011fini hat\u0131rl\u0131yor. \u201cE\u011fer \u00e7al\u0131\u015fmayacaksak, ciddi ciddi b\u00fcy\u00fck etki yaratabilece\u011fimiz sorunlar bulal\u0131m\u201d. \u201cGer\u00e7ekten karar verdi\u011fimiz bir an ya\u015fad\u0131k: Bunu \u00e7\u00f6zmeye mi \u00e7al\u0131\u015faca\u011f\u0131z?\u201d \u00c7izim tahtas\u0131na geri d\u00f6nd\u00fcler.<\/p>\n

Fizik, kimya, biyoloji ve hesaplama alanlar\u0131ndaki zengin ge\u00e7mi\u015fiyle Jumper, beyin f\u0131rt\u0131nas\u0131 oturumlar\u0131na \u00f6zg\u00fcn fikirler getirdi. K\u0131sa s\u00fcre sonra, alt\u0131 ki\u015fiden 15 ki\u015fiye \u00e7\u0131kan ekibin liderli\u011fini \u00fcstlendi. 2019\u2019da Google DeepMind\u2019da staj yapan ve daha sonra yapay zek\u00e2 odakl\u0131 bir biyoteknoloji \u015firketi olan Atomic AI\u2019y\u0131 kuran Raphael Townshend\u2019a g\u00f6re \u201c\u00e7ok benzersiz bir \u015feyler oluyordu\u201d.<\/p>\n

Akademide uzmanlar genellikle birbirlerinden ayr\u0131d\u0131r ve her biri \u00e7ok az i\u015fbirli\u011fiyle ba\u011f\u0131ms\u0131z projeler y\u00fcr\u00fct\u00fcr. DeepMind\u2019da istatistik, yap\u0131sal biyoloji, hesaplamal\u0131 kimya, yaz\u0131l\u0131m m\u00fchendisli\u011fi ve daha bir\u00e7ok alandaki uzmanlar protein katlanmas\u0131 problemi \u00fczerinde birlikte \u00e7al\u0131\u015ft\u0131lar. Ayr\u0131ca arkalar\u0131nda Google\u2019\u0131n muazzam finansal ve hesaplama kaynaklar\u0131 vard\u0131. Townshend, \u201cDoktora \u00f6\u011frencisi olarak aylarca yapmam gereken \u015feyleri tek bir g\u00fcnde yap\u0131yordum\u201d diyor.<\/p>\n

Townshend\u2019e g\u00f6re, Londra DeepMind ofisinin y\u00fcksek enerjisi \u00e7o\u011funlukla Jumper kaynakl\u0131yd\u0131. Onun i\u00e7in \u201cGer\u00e7ek bir dahi diyebilirim ve ayr\u0131ca \u00e7ok m\u00fctevaz\u0131 bir insan\u201d diyor 2021\u2019de DeepMind\u2019da staj yapan ve \u015fu anda Princeton \u00dcniversitesi\u2019nde yard\u0131mc\u0131 do\u00e7ent olan bilgisayar bilimci Ellen Zhong. \u201cEkip taraf\u0131ndan \u00e7ok seviliyordu.\u201d<\/p>\n

Jumper\u2019\u0131n liderli\u011finde AlphaFold yeniden in\u015fa edildi. DeepMind yeni bir t\u00fcr d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fc (transformer) mimarisi tasarlad\u0131 – Townshend\u2019in s\u00f6yledi\u011fine g\u00f6re bu \u201cson be\u015f y\u0131lda ger\u00e7ekle\u015fen her makine \u00f6\u011frenimi at\u0131l\u0131m\u0131n\u0131 temelde g\u00fc\u00e7lendiren\u201d bir t\u00fcr derin \u00f6\u011frenme metoduydu. Sinir a\u011f\u0131, verilerin daha do\u011fru temsillerini olu\u015fturmak i\u00e7in (bizim konumuzda protein evrimi ve yap\u0131s\u0131na y\u00f6nelik verileri) ba\u011flant\u0131lar\u0131n\u0131n g\u00fcc\u00fcn\u00fc ayarl\u0131yordu. Bu verileri bir proteinin \u00fc\u00e7 boyutlu yap\u0131s\u0131n\u0131 tahmin etmek i\u00e7in ikinci bir d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fcden ge\u00e7irdi. Algoritma daha sonra, revize edilmi\u015f verilerin bir k\u0131sm\u0131yla birlikte d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fclerinden birka\u00e7 kez daha ge\u00e7irerek yap\u0131y\u0131 daha da keskinle\u015ftirdi.<\/p>\n

Jumper, AlphaFold2 \u00fczerinde \u00e7al\u0131\u015fmaya ilk ba\u015flad\u0131klar\u0131nda algoritmalar\u0131 i\u00e7in \u201cberbatt\u0131, ancak bekledi\u011fimiz kadar de\u011fil\u201d diyor. \u201cBelli belirsiz bir \u015fekilde proteine \u200b\u200bbenzeyen sarmallar olu\u015fturdu\u201d. Ancak algoritmay\u0131 daha da geli\u015ftirdik\u00e7e, tahminlerinin verimlili\u011finde ve do\u011frulu\u011funda muazzam art\u0131\u015flar fark ettiler.<\/p>\n

Jumper, \u201cAsl\u0131nda korkutucuydu\u201d diyor. \u00c7ok iyi \u00e7al\u0131\u015f\u0131yorsa, bu genellikle \u201cyanl\u0131\u015f bir \u015fey yap\u0131yorsunuz\u201d anlam\u0131na gelir. Kontrol ettiler, ancak bir sorun yoktu. Sadece \u00e7al\u0131\u015f\u0131yordu.<\/p>\n

Ekip, sistemlerinin biyologlara yard\u0131mc\u0131 olup olmayaca\u011f\u0131n\u0131 g\u00f6rmek i\u00e7in dahili bir deney yapmaya karar verdi. Science<\/em>, Nature<\/em> ve Cell<\/em> gibi \u00fcst d\u00fczey dergilerde yay\u0131nlanan ve yaln\u0131zca yeni bir protein yap\u0131s\u0131n\u0131 tan\u0131mlamakla kalmay\u0131p ayn\u0131 zamanda yap\u0131dan proteinin i\u015flevi hakk\u0131nda i\u00e7g\u00f6r\u00fcler \u00fcreten yakla\u015f\u0131k 50 makale belirlediler. AlphaFold2\u2019nin deneycilerin zahmetli yakla\u015f\u0131m\u0131na dayan\u0131p dayanamayaca\u011f\u0131n\u0131 g\u00f6rmek istediler.<\/p>\n

Aminoasit dizilerini girdiler. AlphaFold2 tahmin motorunu \u00e7al\u0131\u015ft\u0131rd\u0131. Her dizi i\u00e7in, makalelerde sunulan deneysel yap\u0131ya yak\u0131n bir tahmin ortaya koydu. Ancak, ekibin g\u00f6r\u00fc\u015f\u00fcne g\u00f6re, bu yeterince do\u011fru de\u011fildi. Yap\u0131lar, deneycilerin proteinleri hakk\u0131nda \u00f6\u011frendikleri temel ayr\u0131nt\u0131lardan yoksundu. Jumper\u2019 g\u00f6re bu, yar\u0131\u015f\u0131 neredeyse bitirdi\u011finizi zannederken ikinci bir etab\u0131n daha oldu\u011funu ke\u015ffetmeye benziyor.<\/p>\n

Ekip, sonraki alt\u0131 ay boyunca sistemi daha da geli\u015ftirdi, k\u00fc\u00e7\u00fck k\u00fc\u00e7\u00fck iyile\u015ftirmeler \u00fcst \u00fcste eklendi. Protein adaylar\u0131 2020 CASP yar\u0131\u015fmas\u0131 i\u00e7in yay\u0131nlanmadan birka\u00e7 hafta \u00f6nce, ba\u015fka bir yararl\u0131l\u0131k testi ger\u00e7ekle\u015ftirdiler. Jumper memnundu. Google DeepMind, tahminlerini 2020 bahar\u0131nda CASP\u2019ye sundu. Ve sonras\u0131nda geriye yaslan\u0131p beklediler.<\/p>\n

Deprem
\n<\/strong>Yaz ba\u015f\u0131nda, Moult bir CASP de\u011ferlendiricisinden bir e-posta ald\u0131: \u201c\u015euna bak\u0131n, olduk\u00e7a etkileyici.\u201d E-postaya Google DeepMind taraf\u0131ndan \u00e7\u00f6z\u00fclm\u00fc\u015f bir protein yap\u0131s\u0131 eklenmi\u015fti. Moult ger\u00e7ekten etkilenmi\u015fti, ancak bunun tek seferlik oldu\u011funu d\u00fc\u015f\u00fcn\u00fcyordu. Sonra bir e-posta daha ald\u0131 ve bir tane daha. \u201cBu garip\u201d diye d\u00fc\u015f\u00fcnm\u00fc\u015ft\u00fc. \u00dc\u00e7, d\u00f6rt, bir s\u00fcr\u00fc neredeyse m\u00fckemmel protein tahmini vard\u0131 ve hepsi DeepMind\u2019dand\u0131. Yaz sonuna do\u011fru, Moult \u201c\u00e7ok, \u00e7ok s\u0131ra d\u0131\u015f\u0131 bir \u015feyin ger\u00e7ekle\u015fti\u011fini h\u0131zla fark ettik\u201d diyor.<\/p>\n

CASP de\u011ferlendiricileri her ba\u015fvuruyu, tahmin edilen protein yap\u0131s\u0131n\u0131 kan\u0131tlanm\u0131\u015f deneysel yap\u0131s\u0131yla kar\u015f\u0131la\u015ft\u0131rarak puanl\u0131yor. Model ve ger\u00e7ekli\u011fin atom atom e\u015fle\u015fti\u011fi m\u00fckemmel puan 100\u2019d\u00fcr. Moult, 90 puan\u0131n \u00fczerindeki her \u015feyin bir algoritman\u0131n bir proteinin yap\u0131s\u0131n\u0131 etkili bir \u015fekilde \u00e7\u00f6zd\u00fc\u011f\u00fcn\u00fc g\u00f6sterece\u011fine her zaman inanm\u0131\u015ft\u0131. AlphaFold\u2019un yap\u0131lar\u0131n\u0131n \u00e7o\u011fu ya 90 puan ya da onun \u00fczerindeydi. Toplant\u0131dan birka\u00e7 ay \u00f6nce Moult, Jumper\u2019\u0131 aray\u0131p haberi verdi. Jumper, \u201cY\u00fcksek sesle k\u00fcf\u00fcr ettim\u201d diye hat\u0131rl\u0131yor. \u201cE\u015fim iyi olup olmad\u0131\u011f\u0131m\u0131 sordu.\u201d<\/p>\n

\"\"
Google DeepMind\u2019\u0131n Londra\u2019daki merkezi.<\/figcaption><\/figure>\n

Aral\u0131k 2020\u2019de, Covid-19 salg\u0131n\u0131n\u0131n ba\u015flamas\u0131ndan bir y\u0131ldan az bir s\u00fcre sonra, Jumper sanal CASP toplant\u0131s\u0131nda Zoom \u00fczerinden AlphaFold2\u2019yi sundu. Kat\u0131l\u0131mc\u0131lar\u0131n geri kalan\u0131 gibi Jones da evden izledi. \u201c\u00d6ylece kalakalm\u0131\u015ft\u0131m… bunun ger\u00e7ekle\u015fmesini izliyordum\u201d diyor. Sinir a\u011f\u0131 uzman\u0131 olmayanlar i\u00e7in fikirler olduk\u00e7a karma\u015f\u0131kt\u0131. Yine de sonu\u00e7lar a\u00e7\u0131kt\u0131. DeepMind, protein katlama probleminin yap\u0131 tahmini k\u0131sm\u0131n\u0131 \u00e7\u00f6zm\u00fc\u015ft\u00fc. AlphaFold2, bir proteinin yap\u0131s\u0131n\u0131 aminoasit dizisinden do\u011fru bir \u015fekilde tahmin edebiliyordu. Jones, \u201cAh, en sevdi\u011fim konu \u00f6ld\u00fc\u201d diye d\u00fc\u015f\u00fcnd\u00fc\u011f\u00fcn\u00fc hat\u0131rl\u0131yor. \u201cDeepMind filmi \u00e7ekti ve bu bir son.\u201d<\/p>\n

Anastassis Perrakis, y\u0131llarca yar\u0131\u015fma i\u00e7in CASP\u2019a yay\u0131nlanmam\u0131\u015f deneysel sonu\u00e7lar sunmu\u015ftu. Ekibinin \u00fczerinde uzun zamand\u0131r \u00e7al\u0131\u015ft\u0131\u011f\u0131 bir protein i\u00e7in AlphaFold2\u2019nin sonu\u00e7lar\u0131n\u0131 g\u00f6rd\u00fc\u011f\u00fcnde \u015foke oldu. AlphaFold2 bunu m\u00fckemmel bir \u015fekilde do\u011fru tahmin etmi\u015fti. Evde karantinada yaln\u0131zken, biliminsanlar\u0131 protein bilimi d\u00fcnyas\u0131n\u0131n sonsuza dek de\u011fi\u015fti\u011fini d\u00fc\u015f\u00fcnmekte birle\u015fmi\u015flerdi. Bu alan\u0131n sakinleri yeni manzaraya bakarken ak\u0131llar\u0131nda tek bir soru vard\u0131: \u015eimdi ne olacak?<\/p>\n

\u015eOK VE HU\u015eU
\n<\/strong>Yap\u0131sal biyoloji aniden yap\u0131land\u0131r\u0131lmam\u0131\u015f hale geldi. \u0130lk ba\u015flarda \u201c\u00e7ok fazla ruhsal aray\u0131\u015f\u201d oldu\u011funu s\u00f6yledi Silvio Tosatto, CASP\u2019nin ilk g\u00fcnlerinden beri yar\u0131\u015fm\u0131\u015ft\u0131. Baz\u0131 yap\u0131sal biyologlar i\u015flerinin modas\u0131 ge\u00e7ece\u011finden korkuyordu. Di\u011ferleri savunmaya ge\u00e7ti ve AlphaFold2\u2019nin do\u011fru olmad\u0131\u011f\u0131n\u0131 iddia etti. Baz\u0131lar\u0131 onlarca y\u0131ld\u0131r bu sorunu \u00e7\u00f6zmeye \u00e7al\u0131\u015fan hesaplamal\u0131 biyologlar i\u00e7in buruk hat\u0131rlanacak bir d\u00f6nemdi. AlQuraishi, CASP\u2019tan sonra yazd\u0131\u011f\u0131 bir blog yaz\u0131s\u0131nda, \u00e7ocu\u011fu ilk kez evden ayr\u0131lan biri gibi hissetti\u011fini anlatan bir kat\u0131l\u0131mc\u0131dan al\u0131nt\u0131 yapt\u0131.<\/p>\n

Ancak bu parlak yeni ara\u00e7 etraf\u0131ndaki tedirginliklerine ra\u011fmen, bir\u00e7ok biliminsan\u0131 \u00e7ok mutluydu. Yap\u0131sal \u00e7al\u0131\u015fma yapmayanlar, daha geni\u015f \u00e7apl\u0131 deneyleri i\u00e7in protein yap\u0131lar\u0131n\u0131 belirlemek \u00fczere yap\u0131sal biyologlarla i\u015fbirli\u011fi yapmak zorundayd\u0131. \u015eimdi, sadece birka\u00e7 d\u00fc\u011fmeye bas\u0131p yap\u0131y\u0131 kendi ba\u015flar\u0131na elde edebiliyorlard\u0131.<\/p>\n

Medyada, AlphaFold2 \u201cher \u015feyi de\u011fi\u015ftirecek\u201d parlak yeni yapay zek\u00e2 at\u0131l\u0131m\u0131 olarak kendine yer buldu. Ancak biliminsanlar\u0131n\u0131n AlphaFold2\u2019nin ne yap\u0131p ne yapamayaca\u011f\u0131n\u0131 anlamalar\u0131 aylar ve hatta y\u0131llar ald\u0131. Jumper\u2019\u0131n konu\u015fmas\u0131ndan yakla\u015f\u0131k alt\u0131 ay sonra, Google DeepMind sonu\u00e7lar\u0131n\u0131 yay\u0131nlad\u0131 ve AlphaFold2\u2019nin temel kodunu payla\u015ft\u0131. Perrakis, \u201cAlphaFold2 \u00e7\u0131kt\u0131\u011f\u0131nda, ertesi g\u00fcn onu GPU sunucular\u0131m\u0131za kurmaya \u00e7al\u0131\u015f\u0131yorduk\u201d diyor. Biyologlar oynamaya ba\u015flam\u0131\u015flard\u0131.<\/p>\n

\u201c[AlphaFold2]\u2019nin tepe taklak \u00e7ak\u0131lmas\u0131n\u0131 bekliyordum,\u201d diyor Thornton. \u201cAma asl\u0131nda izlenimim, bunun dikkate de\u011fer derecede ba\u015far\u0131l\u0131 oldu\u011fu.\u201d<\/p>\n

Zamanla, AlphaFold2\u2019nin bir tehdit olmaktan ziyade ara\u015ft\u0131rmay\u0131 h\u0131zland\u0131rmak i\u00e7in bir kataliz\u00f6r olabilece\u011fi netle\u015fmeye ba\u015flad\u0131. Yap\u0131sal biyologlar\u0131 i\u015fsiz b\u0131rakmak yerine, i\u015flerini daha iyi yapmalar\u0131 i\u00e7in onlara yeni bir ara\u00e7 verdi. Walden, \u201cBir yap\u0131sal biyolo\u011fu yaln\u0131zca proteinlerin yap\u0131s\u0131n\u0131 \u00e7\u00f6zen bir teknik uzman olarak g\u00f6r\u00fcrseniz, o zaman evet, elbette yap\u0131sal biyologlar i\u015fsiz kal\u0131r\u201d diyor. Ancak bu, \u0130nsan Genomu Projesi\u2019nin bir genin dizisini tan\u0131mlayan bir makale yay\u0131nlayamad\u0131klar\u0131 i\u00e7in genomik\u00e7ileri gereksiz hale getirdi\u011fini s\u00f6ylemek gibi olurdu.<\/p>\n

Bir\u00e7ok durumda, bir yap\u0131sal biyolo\u011fun amac\u0131 bir proteinin i\u015flevini ke\u015ffetmektir. AlphaFold2 ile, deneyler yoluyla bir yap\u0131y\u0131 \u00e7\u00f6zmek i\u00e7in aylarca veya y\u0131llarca beklemek yerine dakikalar i\u00e7inde bir hipotez olu\u015fturabilirlerdi.<\/p>\n

\u201cBu, yap\u0131sal biyolojiyi iyi y\u00f6nden de\u011fi\u015ftiriyor, k\u00f6t\u00fc y\u00f6nden de\u011fil\u201d diyor Adams. \u201cBu alan\u0131 \u00e7al\u0131\u015fmak i\u00e7in daha heyecan verici hale getiriyor.\u201d<\/p>\n

Ancak, baz\u0131 insanlar\u0131n hayal etti\u011fi gibi bir anda hemen her t\u00fcrden yeni ilac\u0131n ke\u015ffine yol a\u00e7mad\u0131, aksine ara\u015ft\u0131rmac\u0131lar k\u0131sa s\u00fcrede bu arac\u0131n s\u0131n\u0131rlamalar\u0131 oldu\u011funu \u00f6\u011frendiler. AlphaFold2\u2019nin tahminleri m\u00fckemmel de\u011fil. Perrakis, deneysel do\u011frulamaya ihtiya\u00e7 duyduklar\u0131n\u0131 ancak s\u00fcreci \u00e7ok h\u0131zland\u0131rd\u0131\u011f\u0131n\u0131 s\u00f6yl\u00fcyor. \u015eimdi \u00f6\u011frencileri yeni bir projeye ba\u015flad\u0131klar\u0131nda, \u00f6nce belirli bir proteinin yap\u0131s\u0131n\u0131 tahmin etmek i\u00e7in AlphaFold2\u2019yi kullan\u0131yorlar. Daha sonra bunu do\u011frulamak i\u00e7in deneyler y\u00fcr\u00fct\u00fcyorlar.<\/p>\n

\"\"
Columbia \u00dcniversitesi Matematiksel Genomik Program\u0131\u2019ndan sistem biyolo\u011fu Mohammed AlQuraishi.<\/figcaption><\/figure>\n

Perrakis, kendisinin ve di\u011fer ara\u015ft\u0131rmac\u0131lar\u0131n bir dereceye kadar X-\u0131\u015f\u0131n\u0131 kristalografisini kullanmaya devam edeceklerini d\u00fc\u015f\u00fcn\u00fcyor. Ancak ba\u015flang\u0131\u00e7taki protein yap\u0131lar\u0131n\u0131 geli\u015ftirmek i\u00e7in, bir\u00e7o\u011fu derin \u00f6\u011frenme tahminlerini, biyolojik \u00f6rneklerin ani dondurulmas\u0131n\u0131 ve elektronlarla bombard\u0131man edilmesini i\u00e7eren kriyo-EM gibi geli\u015fmi\u015f elektron mikroskobu teknikleriyle birle\u015ftirmeye ba\u015fl\u0131yor. Daha sonra proteinlerinin ne yapt\u0131\u011f\u0131na dair ilgin\u00e7 sorulara ge\u00e7ebilirler. AlQuraishi, AlphaFold2\u2019nin \u201cturbo destekli\u201d kriyo-EM kulland\u0131\u011f\u0131n\u0131 s\u00f6yledi.<\/p>\n

Bu de\u011fi\u015fim \u00e7oktan ba\u015flad\u0131. Haziran 2022\u2019de Science<\/em> dergisinin \u00f6zel bir say\u0131s\u0131, insan n\u00fckleer g\u00f6zenek kompleksinin (\u00f6karyotik h\u00fccrelerin n\u00fckleer zar\u0131nda bulunan, molek\u00fcllerin h\u00fccre \u00e7ekirde\u011fi ile sitoplazma aras\u0131nda hareketini d\u00fczenleyen yap\u0131) atoma yak\u0131n \u00f6l\u00e7ekte yap\u0131s\u0131n\u0131 ortaya koydu. 30 farkl\u0131 proteinden olu\u015fan bu devasa, karma\u015f\u0131k yap\u0131, onlarca y\u0131ld\u0131r biyolojik bir bilinmezlikti. Biliminsanlar\u0131, kriyo-EM taraf\u0131ndan \u00e7\u00f6z\u00fclemeyen protein yap\u0131lar\u0131ndaki bo\u015fluklar\u0131 doldurmak i\u00e7in AlphaFold2 tahminlerini kulland\u0131lar. Jumper, di\u011fer biliminsanlar\u0131n\u0131n AlphaFold2\u2019yi kullanarak biyolojik bir at\u0131l\u0131m yapt\u0131\u011f\u0131 bu makaleyi g\u00f6rmek, \u201c[AlphaFold]\u2019un ger\u00e7ekten \u00f6nemli oldu\u011funu anlad\u0131\u011f\u0131m an oldu\u201d diyor.<\/p>\n

N\u00fckleer g\u00f6zenek kompleksi gibi ke\u015fifler, protein biliminin son \u00fc\u00e7 y\u0131l\u0131n\u0131n zaman \u00e7izelgesinde \u00f6nemli bir noktay\u0131 temsil ediyor. AlphaFold2, hastal\u0131klar\u0131 incelemek ve ila\u00e7 da\u011f\u0131t\u0131m\u0131 i\u00e7in yeni ara\u00e7lar olu\u015fturmak i\u00e7in kullan\u0131lan protein yap\u0131lar\u0131n\u0131 zaten tahmin etti. \u0130la\u00e7lar\u0131 insan h\u00fccrelerine da\u011f\u0131tmak i\u00e7in bir molek\u00fcler \u015f\u0131r\u0131nga tasarlamak \u00fczere AlphaFold2\u2019yi kullanan Broad Enstit\u00fcs\u00fc\u2019nde molek\u00fcler biyolog olan Feng Zhang, \u201cBizim i\u00e7in \u00e7ok faydal\u0131 oldu\u201d diyor.<\/p>\n

Bir proteinin yap\u0131s\u0131n\u0131 bilmek ila\u00e7 geli\u015ftirilme s\u00fcreci i\u00e7in \u00f6nemli, \u00e7\u00fcnk\u00fc bir proteinin geometrisine tutunup onun davran\u0131\u015f\u0131n\u0131 de\u011fi\u015ftirecek molek\u00fcllerin belirlenmesini kolayla\u015ft\u0131r\u0131yor. Baz\u0131 \u00e7al\u0131\u015fmalar AlphaFold2 tahminlerinin bu alanda deneysel yap\u0131lar kadar yararl\u0131 olmad\u0131\u011f\u0131n\u0131 \u00f6ne s\u00fcrm\u00fc\u015f olsa da, ba\u015fkalar\u0131 deney kadar i\u015flevli olduklar\u0131n\u0131 g\u00f6sterdi. Yapay zek\u00e2 ara\u00e7lar\u0131n\u0131n ila\u00e7 ke\u015ffi \u00fczerindeki tam etkisi h\u00e2l\u00e2 yeni yeni ortaya \u00e7\u0131kmakta.<\/p>\n

Bununla birlikte, baz\u0131 biyologlar, AlphaFold2\u2019nin bilinen proteinlerin yap\u0131lar\u0131n\u0131 ve i\u015flevlerini ay\u0131rt etmedeki kullan\u0131m\u0131n\u0131n \u00f6tesine bak\u0131yor ve do\u011fada bulunmayan proteinleri tasarlamaya y\u00f6neliyor; bu, yeni ila\u00e7lar tasarlamak i\u00e7in \u00e7ok \u00f6nemli bir yakla\u015f\u0131m olabilir<\/p>\n

Sonraki s\u0131n\u0131r
\n<\/em><\/strong>Jumper\u2019\u0131n 2020 CASP konferans\u0131ndaki konu\u015fmas\u0131n\u0131 izledikten hemen sonra Baker, Rosetta algoritmas\u0131 \u00fczerinde \u00e7al\u0131\u015fmaya geri d\u00f6nd\u00fc. Google hen\u00fcz AlphaFold2\u2019nin temel kaynak kodunu payla\u015fmam\u0131\u015ft\u0131. Yine de Baker, \u201cOnlar\u0131n tan\u0131tt\u0131\u011f\u0131 fikirlerden baz\u0131lar\u0131yla oynamaya ba\u015flad\u0131k\u201d diyor. Google DeepMind\u2019\u0131n AlphaFold2\u2019yi Nature<\/em>\u2019da yay\u0131nlad\u0131\u011f\u0131 g\u00fcn, kendisi ve ekibi, AlphaFold\u2019a olduk\u00e7a do\u011fru bir rakip olan RoseTTAFold\u2019u duyurdu. RoseTTAFold da protein yap\u0131lar\u0131n\u0131 tahmin etmek i\u00e7in derin \u00f6\u011frenmeyi kullan\u0131yor ancak AlphaFold2\u2019den \u00e7ok farkl\u0131 bir temel mimariye sahip.<\/p>\n

Tosatto, \u201cBilimsel bir fikir ortaya \u00e7\u0131kt\u0131\u011f\u0131nda, en az\u0131ndan yeterli kayna\u011fa sahip olanlar\u0131n bunu tersine m\u00fchendislik yoluyla geli\u015ftirmesi ve bunun \u00fczerine in\u015fa etmeye \u00e7al\u0131\u015fmas\u0131 m\u00fcmk\u00fcn\u201d diyor.<\/p>\n

RoseTTAFold yaln\u0131z de\u011fildi. Meta da dahil olmak \u00fczere di\u011fer AlphaFold rakipleri, protein yap\u0131s\u0131 tahminini veya ilgili sorunlar\u0131 ele almak i\u00e7in kendi algoritmalar\u0131n\u0131 olu\u015fturdular. Townshend\u2019in biyoteknoloji giri\u015fimi Atomic AI da dahil olmak \u00fczere baz\u0131lar\u0131, RNA yap\u0131lar\u0131n\u0131 anlamak i\u00e7in derin \u00f6\u011frenmeyi kullanmak suretiyle proteinlerin \u00f6tesine ge\u00e7tiler. Ancak, tekil yap\u0131 tahminleri alan\u0131nda, \u015fimdiye kadar hi\u00e7 kimse AlphaFold\u2019un do\u011frulu\u011funa ula\u015famad\u0131 diyor Thornton. \u201cBunu ba\u015faracaklar\u0131ndan eminim, ancak bunun gibi bir… AlphaFold an\u0131 daha yakalaman\u0131n \u00e7ok zor olaca\u011f\u0131n\u0131 d\u00fc\u015f\u00fcn\u00fcyorum.\u201d<\/p>\n

En az\u0131ndan kamuoyunda, Baker ve Jumper, CASP taraf\u0131ndan kurulan \u00fcretken rekabet gelene\u011fini s\u00fcrd\u00fcrd\u00fcler. Baker, \u201cBenim onlarla rekabet etti\u011fimi d\u00fc\u015f\u00fcnebilirler, ancak bana g\u00f6re onlar sadece bizim i\u00e7in ilham kayna\u011f\u0131 oldular\u201d diyor. Jumper bunu memnuniyetle kar\u015f\u0131l\u0131yor. \u201c\u0130nsanlar\u0131n bu bilimi geli\u015ftirmesi ger\u00e7ekten \u00f6nemli\u201d diyor. \u201cAlphaFold\u2019un entelekt\u00fcel bir neslinin [devaml\u0131l\u0131\u011f\u0131n\u0131n] olmamas\u0131 benim i\u00e7in \u00fcz\u00fcc\u00fc olurdu.\u201d<\/p>\n

Baker, protein biliminde yeni bir s\u0131n\u0131ra odaklanmak i\u00e7in program\u0131n\u0131n neslini \u015fimdiden geli\u015ftiriyor; yeni hedef protein tasar\u0131m\u0131. \u015eu anda, biyologlar do\u011fan\u0131n icat etti\u011fi proteinleri incelemekle k\u0131s\u0131tl\u0131lar. Baker, yeni proteinler tasarlayabilecekleri bir bilim \u00f6ng\u00f6r\u00fcyor; G\u00fcne\u015f \u0131\u015f\u0131\u011f\u0131ndan yararlanmak, plasti\u011fi par\u00e7alamak veya ila\u00e7 veya a\u015f\u0131lar\u0131n temelini olu\u015fturmak i\u00e7in \u00f6zel olarak tasarlanm\u0131\u015f proteinler. Hollanda\u2019daki Hubrecht Enstit\u00fcs\u00fc\u2019nde Baker\u2019\u0131n yan\u0131nda doktora sonras\u0131 ara\u015ft\u0131rma yapan yap\u0131sal biyolog Danny Sahtoe, \u201cDo\u011fada \u015fu anda farkl\u0131 protein yap\u0131lar\u0131n\u0131n veya \u015fekillerinin say\u0131s\u0131 olduk\u00e7a s\u0131n\u0131rl\u0131d\u0131r\u201d diyor. \u201cTeoride daha fazlas\u0131 m\u00fcmk\u00fcn olmal\u0131 ve daha fazla \u015fekle sahip olabiliyorsan\u0131z, bu daha fazla i\u015fleve sahip olabilece\u011finiz anlam\u0131na da gelir.\u201d<\/p>\n

Washington \u00dcniversitesi\u2019ndeki Protein Tasar\u0131m Enstit\u00fcs\u00fc\u2019n\u00fc y\u00f6neten Baker, protein tasar\u0131m\u0131n\u0131n esasen \u201cters protein katlama problemi\u201d oldu\u011funu s\u00f6yledi. Derin \u00f6\u011frenme algoritmas\u0131na bir aminoasit dizisi besleyip ondan bir protein yap\u0131s\u0131 \u00e7\u0131karmas\u0131n\u0131 istemek yerine, bir protein tasar\u0131mc\u0131s\u0131 bir yap\u0131y\u0131 bir algoritmaya besler ve ondan bir dizi \u00e7\u0131karmas\u0131n\u0131 ister. Daha sonra, tasar\u0131mc\u0131 bu aminoasit dizisini kullanarak laboratuvarda proteini olu\u015fturur.<\/p>\n

AlphaFold ve RoseTTAFold tek ba\u015flar\u0131na bu dizileri \u00e7\u0131karamazlar; tam tersini yapmak \u00fczere programlanm\u0131\u015flard\u0131r. Ancak Baker ve ekibi, sinir a\u011f\u0131 mimarisine dayanarak \u201cRoseTTAFold dif\u00fczyon\u201d (veya RF dif\u00fczyon) olarak bilinen tasar\u0131ma \u00f6zg\u00fc yeni bir RoseTTAFold versiyonu geli\u015ftirdi.<\/p>\n

Sahtoe\u2019te g\u00f6re, protein tasar\u0131m\u0131 alan\u0131 uzun zamand\u0131r var, ancak derin \u00f6\u011frenme bunu h\u0131zland\u0131rm\u0131\u015f oldu. Proteinlerin ger\u00e7ek\u00e7i bilgisayar modellerini tasarlama s\u00fcrecini \u201cinan\u0131lmaz derecede h\u0131zl\u0131\u201d hale getirdi. Uzman protein tasar\u0131mc\u0131lar\u0131n\u0131n yeni bir proteinin omurgas\u0131n\u0131 olu\u015fturmas\u0131 eskiden haftalar veya aylar al\u0131yordu. \u015eimdi ise g\u00fcnler i\u00e7inde, hatta bazen bir gecede yapabiliyorlar.<\/p>\n

Baker ayr\u0131ca Foldit\u2019i g\u00fcncelledi: Oyuncular protein yap\u0131lar\u0131 in\u015fa etmenin yan\u0131 s\u0131ra art\u0131k protein de tasarl\u0131yorlar. Bu \u00fcretken bir s\u00fcre\u00e7 oldu. Baker\u2019\u0131n laboratuvar\u0131, oyuncu taraf\u0131ndan tasarlanan proteinlerden birka\u00e7\u0131 hakk\u0131nda makaleler yazd\u0131. D\u00fcnyan\u0131n en iyi Foldit oyuncular\u0131ndan biri \u015fu anda Washington \u00dcniversitesi\u2019nde Baker\u2019\u0131n meslekta\u015flar\u0131ndan biriyle \u00e7al\u0131\u015fan bir lisans\u00fcst\u00fc \u00f6\u011frencisi.<\/p>\n

\u201cProtein katlanmas\u0131n\u0131 anl\u0131yor muyuz? Pek\u00e2l\u00e2, yeni yap\u0131lara katlanan yeni diziler tasarlayabiliyorsak, bu protein katlanmas\u0131 hakk\u0131nda olduk\u00e7a fazla \u015fey anlad\u0131\u011f\u0131m\u0131z\u0131 g\u00f6sterir\u201d diyor Baker. \u201cBir anlamda, bunu protein katlama sorununa bir \u00e7\u00f6z\u00fcm olarak da g\u00f6rebilirsiniz.\u201d<\/p>\n

G\u00fcven egzersizi
\n<\/em><\/strong>AlphaFold2\u2019nin ba\u015far\u0131s\u0131, biyologlar\u0131n yapay zek\u00e2ya kar\u015f\u0131 tutumlar\u0131n\u0131 tart\u0131\u015fmas\u0131z bir \u015fekilde de\u011fi\u015ftirdi. Uzun bir s\u00fcre boyunca, bir\u00e7ok deneysel biyolog hesaplamaya g\u00fcvenmiyordu. Baz\u0131 makine \u00f6\u011frenme yakla\u015f\u0131mlar\u0131n\u0131n verileri oldu\u011fundan daha iyi g\u00f6sterebilece\u011fini art\u0131k anlam\u0131\u015flard\u0131. Sonra Google DeepMind, \u201cbununla ciddi bir \u00e7al\u0131\u015fma yapabilece\u011finizi a\u00e7\u0131k\u00e7a g\u00f6sterdi\u201d diyor AlQuraishi. Herhangi bir \u015f\u00fcphecilik art\u0131k \u015fu anlama geliyor: \u201cPeki ya AlphaFold ile?\u201d<\/p>\n

Evri\u015fimli a\u011flarda uzman hesaplamal\u0131 biyolog Xu, \u201cBiyologlar art\u0131k tahmin sonu\u00e7lar\u0131m\u0131za inan\u0131yor\u201d diyor. \u201c\u00d6nceleri, biyologlar tahminlerimizin g\u00fcvenilir olup olmad\u0131\u011f\u0131ndan daima \u015f\u00fcphe duyard\u0131.\u201d<\/p>\n

\"\"
Foldit, Bakers Lab taraf\u0131ndan geli\u015ftirilen bir \u00e7evrimi\u00e7i oyun olup oyunculara protein yap\u0131lar\u0131n\u0131 tahmin ettiriyor.<\/figcaption><\/figure>\n

Bu g\u00fcvene oynamak, AlphaFold2 platformunun bir \u00f6zelli\u011fidir: Sadece bir proteinin \u00fc\u00e7 boyutlu modelini olu\u015fturmakla kalmaz, ayn\u0131 zamanda yap\u0131n\u0131n farkl\u0131 b\u00f6l\u00fcmlerini s\u0131f\u0131rdan 100\u2019e kadar bir g\u00fcven \u00f6l\u00e7e\u011finde derecelendirerek tahmininin do\u011frulu\u011funu kendi i\u00e7inde de\u011ferlendirir.<\/p>\n

Temmuz 2022\u2019de, Google DeepMind 218 milyon proteinin (d\u00fcnyada bilinenlerin neredeyse tamam\u0131) yap\u0131 tahminlerini yay\u0131nlad\u0131ktan sonra, Adams AlphaFold2\u2019nin kendi kendine raporlar\u0131n\u0131 analiz etmeye karar verdi. Tahminleri proteinlerin \u00e7\u00f6z\u00fclm\u00fc\u015f yap\u0131lar\u0131yla kar\u015f\u0131la\u015ft\u0131rd\u0131 ve do\u011fruluklar\u0131n\u0131 ba\u011f\u0131ms\u0131z olarak de\u011ferlendirdi.<\/p>\n

Adams, \u201c\u0130yi haber \u015fu ki, AlphaFold do\u011fru tahminde bulundu\u011funu d\u00fc\u015f\u00fcnd\u00fc\u011f\u00fcnde, genellikle hakl\u0131 \u00e7\u0131k\u0131yor\u201d diyor. \u201cDo\u011fru olmad\u0131\u011f\u0131n\u0131 d\u00fc\u015f\u00fcnd\u00fc\u011f\u00fcnde, [tahminleri] genellikle do\u011fru \u00e7\u0131km\u0131yor\u201d. Ancak AlphaFold2\u2019nin tahmininde \u201c\u00e7ok emin\u201d oldu\u011fu durumlar\u0131n yakla\u015f\u0131k % 10\u2019unda (g\u00fcven \u00f6l\u00e7e\u011finde en az 100 \u00fczerinden 90 puan) yan\u0131l\u0131yor olmas\u0131 gerekti\u011fini bildirdi: Yani \u00f6ng\u00f6r\u00fcler deneysel olarak g\u00f6r\u00fclenlerle uyu\u015fmuyordu.<\/p>\n

Yapay zek\u00e2 sisteminin kendine bir par\u00e7a \u015f\u00fcpheyle yakla\u015fmas\u0131, sonu\u00e7lar\u0131na a\u015f\u0131r\u0131 g\u00fcvenmeye yol a\u00e7abiliyor. \u00c7o\u011fu biyolog, AlphaFold2\u2019yi oldu\u011fu gibi g\u00f6r\u00fcyor: bir \u00f6ng\u00f6r\u00fc arac\u0131. Ancak bunu \u00e7ok ileri g\u00f6t\u00fcrenler de var. Yap\u0131sal biyologlarla \u00e7al\u0131\u015fan baz\u0131 h\u00fccre biyologlar\u0131 ve biyokimyac\u0131lar, onlar\u0131 AlphaFold2 ile de\u011fi\u015ftirdiler ve \u00f6ng\u00f6r\u00fclerini ger\u00e7ek olarak kabul etmeye kalkt\u0131lar. Perrakis, bazen biliminsanlar\u0131n\u0131n, herhangi bir yap\u0131sal biyolo\u011fa g\u00f6re a\u00e7\u0131k\u00e7a yanl\u0131\u015f olan protein yap\u0131lar\u0131n\u0131 i\u00e7eren makaleler yay\u0131nlad\u0131\u011f\u0131n\u0131 s\u00f6yl\u00fcyor. \u201cVe diyorlar ki: \u2018\u0130\u015fte bu AlphaFold yap\u0131s\u0131\u2019.\u201d<\/p>\n

\u201cBaz\u0131 insanlar bu derin \u00f6\u011frenme modellerinin neler yapabilece\u011fi konusunda a\u015f\u0131r\u0131 \u00f6zg\u00fcvenli\u201d diyor Ulusal Sa\u011fl\u0131k Enstit\u00fcleri\u2019nde ara\u015ft\u0131rmac\u0131 olan Lauren Porter. \u201cBu derin \u00f6\u011frenme modellerini elimizden geldi\u011fince kullanmal\u0131y\u0131z, ancak ayn\u0131 zamanda onlara dikkatli ve sa\u011fduyulu yakla\u015fmam\u0131z gerekiyor.\u201d<\/p>\n

Jones, biliminsanlar\u0131n\u0131n yap\u0131lar\u0131 hesaplamal\u0131 olarak belirlemek i\u00e7in fon bulmakta zorland\u0131klar\u0131n\u0131 duydu\u011funu s\u00f6yl\u00fcyor. Genel alg\u0131, DeepMind\u2019\u0131n bunu zaten ba\u015fard\u0131\u011f\u0131 y\u00f6n\u00fcnde, o zaman siz neden hala u\u011fra\u015fas\u0131n\u0131z ki? Ancak Jones bu \u00e7al\u0131\u015fman\u0131n h\u00e2l\u00e2 gerekli oldu\u011funu savunuyor \u00e7\u00fcnk\u00fc AlphaFold2 yan\u0131labilir. \u201c\u00c7ok b\u00fcy\u00fck bo\u015fluklar var\u201d diyor Jones. \u201cA\u00e7\u0131k\u00e7a yapamad\u0131\u011f\u0131 \u015feyler var.\u201d<\/p>\n

AlphaFold2 k\u00fc\u00e7\u00fck, basit proteinlerin yap\u0131lar\u0131n\u0131 tahmin etmede m\u00fckemmel olsa da, birden fazla par\u00e7a i\u00e7erenleri tahmin etmede daha az do\u011fru sonu\u00e7lar veriyor. Ayr\u0131ca proteinin \u00e7evresini veya do\u011fada bir proteinin \u015feklini de\u011fi\u015ftiren di\u011fer molek\u00fcllerle ba\u011flar\u0131n\u0131 da hesaba katam\u0131yor. Bazen bir proteinin d\u00fczg\u00fcn bir \u015fekilde katlanmas\u0131 i\u00e7in belirli iyonlar, tuzlar veya metallerle \u00e7evrelenmesi gerekir. Walden, \u201c\u015eu anda AlphaFold, ba\u011flam\u0131 belirleyebilmekten biraz uzakta\u201d diyor. Grubunun, AlphaFold2\u2019nin tahmin edemedi\u011fi birka\u00e7 yap\u0131y\u0131 deneysel olarak belirledi\u011fini de belirtelim.<\/p>\n

Ayr\u0131ca, AlphaFold2\u2019nin zay\u0131f bir \u015fekilde tahmin etti\u011fi ancak i\u015flev a\u00e7\u0131s\u0131ndan daha az \u00f6nemli olmayan birka\u00e7 dinamik protein t\u00fcr\u00fc de vard\u0131r. \u015eekil de\u011fi\u015ftiren proteinler (katlanma de\u011fi\u015ftiren proteinler olarak da bilinir) statik de\u011fillerdir: \u015eekilleri, di\u011fer molek\u00fcllerle etkile\u015fime girdiklerinde de\u011fi\u015fir. Baz\u0131lar\u0131, ayn\u0131 aminoasit dizisine sahip olmalar\u0131na ra\u011fmen, \u00f6nemli \u00f6l\u00e7\u00fcde farkl\u0131 \u015fekillerde katlan\u0131r. Katlama de\u011fi\u015ftirme proteinleri, \u201cdizilerin tek bir yap\u0131y\u0131 kodlad\u0131\u011f\u0131 paradigmas\u0131na meydan okuyor\u201d diyor Porter, \u201c\u00e7\u00fcnk\u00fc a\u00e7\u0131k\u00e7a \u00f6yle de\u011filler\u201d.<\/p>\n

DeepMind algoritmas\u0131n\u0131n e\u011fitildi\u011fi y\u00fcz binlerce statik, tek yap\u0131l\u0131 proteinle kar\u015f\u0131la\u015ft\u0131r\u0131ld\u0131\u011f\u0131nda, katlama de\u011fi\u015ftiren proteinlerin yaln\u0131zca yakla\u015f\u0131k 100 kadar \u00f6rne\u011fi elimizde var. Oysa \u00e7ok daha fazlas\u0131n\u0131n do\u011fada var oldu\u011funu biliyoruz. Porter, \u201cgenel olarak konu\u015fursak, bu algoritmalar\u0131n tek bir katlamay\u0131 tahmin etmek i\u00e7in yap\u0131lm\u0131\u015f olmas\u0131\u201dn\u0131n belki de \u015fa\u015f\u0131rt\u0131c\u0131 olmad\u0131\u011f\u0131n\u0131 s\u00f6yl\u00fcyor.<\/p>\n

Dahas\u0131 bir hava dans\u00e7\u0131s\u0131 gibi \u00e7\u0131rp\u0131nan proteinler de var. \u0130\u00e7sel olarak d\u00fczensiz proteinler veya protein b\u00f6lgeleri, sabit bir yap\u0131dan yoksundur. S\u00fcrekli olarak k\u0131p\u0131rdan\u0131r ve yeniden form al\u0131rlar. Kopenhag \u00dcniversitesi\u2019nde hesaplamal\u0131 protein biyofizi\u011fi profes\u00f6r\u00fc olan Kresten Lindorff-Larsen, \u201cBir\u00e7ok a\u00e7\u0131dan biraz can s\u0131k\u0131c\u0131 olduklar\u0131 i\u00e7in g\u00f6rmezden gelindiler\u201d diyor. \u0130nsan proteinlerinin yakla\u015f\u0131k % 44\u2019\u00fc en az 30 aminoasitten olu\u015fan d\u00fczensiz bir b\u00f6lgeye sahiptir. \u00a0Yani g\u00f6z ard\u0131 edilebilecek bir olgu de\u011fil. AlphaFold2, bir b\u00f6lgenin i\u00e7sel olarak d\u00fczensiz olma olas\u0131l\u0131\u011f\u0131n\u0131 tahmin edebilir; ancak bu d\u00fczensizli\u011fin neye benzedi\u011fini s\u00f6yleyemez.<\/p>\n

Jumper\u2019\u0131n en b\u00fcy\u00fck hayal k\u0131r\u0131kl\u0131\u011f\u0131 ise AlphaFold2\u2019nin tek bir aminoasitle de\u011fi\u015fen iki protein aras\u0131ndaki fark\u0131, yani nokta mutasyonunu yakalayamamas\u0131d\u0131r. Nokta mutasyonlar\u0131, \u201cbazen yap\u0131 \u00fczerinde, s\u0131kl\u0131kla da proteinlerin i\u015flevi \u00fczerinde olduk\u00e7a dramatik etkilere sahip olabilir\u201d diyor. \u201cAlphaFold, her iki dizi i\u00e7in de ayn\u0131 yap\u0131y\u0131 \u00fcretece\u011fi i\u00e7in onlara kar\u015f\u0131 nispeten k\u00f6rd\u00fcr.\u201d\"\"<\/p>\n

Eyl\u00fcl 2023\u2019te DeepMind, bu t\u00fcr mutasyonlar\u0131n etkilerini tahmin eden bir derin \u00f6\u011frenme algoritmas\u0131 olan AlphaMissense\u2019i yay\u0131nlad\u0131. Bu yeni program yap\u0131daki de\u011fi\u015fikli\u011fi g\u00f6steremese de mutasyonun proteini patojenik hale getirip getirmeyece\u011fini veya bilinen patojenik proteinlerdeki benzer mutasyonlara dayanarak i\u015flev bozuklu\u011fu yarat\u0131p yaratmayaca\u011f\u0131n\u0131 kullan\u0131c\u0131ya bildirebiliyor.<\/p>\n

Ancak, AlphaFold2 t\u00fcm proteinleri m\u00fckemmel bir \u015fekilde tahmin edebilse bile, biyolojik ger\u00e7ekli\u011fi modellemekten h\u00e2l\u00e2 uzakta olacakt\u0131r. Bunun nedeni, bir h\u00fccrede proteinlerin asla tek ba\u015f\u0131na hareket etmemesidir.<\/p>\n

H\u00fccresel karma\u015f\u0131kl\u0131k
\n<\/em><\/strong>H\u00fccrelerin i\u00e7leri karma\u015f\u0131k ve kaotiktir. Bir h\u00fccrenin d\u0131\u015f zar\u0131, yo\u011fun bir \u015fekilde molek\u00fcler elemanlarla dolu biyokimyasal bir ortam\u0131 sarar: proteinler, sinyal molek\u00fclleri, haberci RNA, organeller ve daha fazlas\u0131. Proteinler birbirlerine ve di\u011fer molek\u00fcllere ba\u011flan\u0131r, bu da formlar\u0131n\u0131 ve i\u015flevlerini de\u011fi\u015ftirir.<\/p>\n

AlphaFold2\u2019nin tek bir proteinin yap\u0131s\u0131n\u0131 tahmin etme yetene\u011fi, biyologlar\u0131 bu karma\u015f\u0131k do\u011fal ortamdaki proteinleri anlamaya yakla\u015ft\u0131rm\u0131yor. Ancak ara\u015ft\u0131rma sahas\u0131 \u015fu anda bu y\u00f6ne do\u011fru geni\u015fliyor. Protein biliminin yapay zek\u00e2 devleri, Google DeepMind ve David Baker\u2019\u0131n Protein Tasar\u0131m Enstit\u00fcs\u00fc, proteinlerin di\u011fer molek\u00fcllerle etkile\u015fime girerken ald\u0131klar\u0131 yap\u0131lar\u0131 tahmin edebilmek i\u00e7in derin \u00f6\u011frenme algoritmalar\u0131n\u0131 geli\u015ftiriyorlar.<\/p>\n

2024 bahar\u0131nda, ikisi de bu alandaki benzer geli\u015fmeleri anlatan makaleler yay\u0131nlad\u0131. Algoritmalar\u0131ndaki g\u00fcncellemeler (AlphaFold3 ve RoseTTAFold All-Atom yeni adlar\u0131yla ba\u015flat\u0131ld\u0131) DNA\u2019ya, RNA\u2019ya, di\u011fer k\u00fc\u00e7\u00fck molek\u00fcllere ve birbirlerine ba\u011fl\u0131 proteinlerin yap\u0131lar\u0131n\u0131n tahmin edilebilmesini m\u00fcmk\u00fcn k\u0131l\u0131yor. Biyologlar bu g\u00fcncellemeleri test etmeye yeni yeni ba\u015fl\u0131yor. AlQuraishi, \u015fimdiye kadar AlphaFold3\u2019\u00fcn RoseTTAFold All-Atom\u2019dan \u00e7ok daha do\u011fru tahminler \u00fcretti\u011fini s\u00f6yl\u00fcyor; bir \u201cAlphaFold2 an\u0131\u201d kadar b\u00fcy\u00fck bir s\u0131\u00e7rama olmasa da. Bu programlar\u0131n tahmin do\u011frulu\u011fu, RNA yap\u0131lar\u0131 gibi baz\u0131 makromolek\u00fcller s\u00f6z konusu oldu\u011funda di\u011fer fizik tabanl\u0131 hesaplamal\u0131 yakla\u015f\u0131mlar\u0131n ve deneylerin alt\u0131nda kalmaya devam ediyor.<\/p>\n

Yine de, yeni algoritmalar do\u011fru y\u00f6nde at\u0131lm\u0131\u015f bir ad\u0131m. Proteinler ve di\u011fer molek\u00fcller aras\u0131ndaki etkile\u015fimler, h\u00fccrelerdeki i\u015flevleri i\u00e7in kritik \u00f6neme sahiptir. Proteinlere ba\u011flanabilen ve aktivitelerini istenildi\u011fi gibi de\u011fi\u015ftirebilen ila\u00e7lar geli\u015ftirmek i\u00e7in ara\u015ft\u0131rmac\u0131lar\u0131n bu komplekslerin neye benzedi\u011fini anlamalar\u0131 gerekir. Ancak Adams, her iki algoritman\u0131n da yak\u0131n gelecekte yeni ila\u00e7lara yol a\u00e7mas\u0131n\u0131n pek olas\u0131 olmad\u0131\u011f\u0131n\u0131 s\u00f6yl\u00fcyor. \u201cHer iki y\u00f6ntem de do\u011fruluk a\u00e7\u0131s\u0131ndan h\u00e2l\u00e2 s\u0131n\u0131rl\u0131, [ancak] her ikisi de elimizdekilere k\u0131yasla \u00f6nemli geli\u015fmeler.\u201d<\/p>\n

DeepMind\u2019\u0131n yeni \u00fcr\u00fcn\u00fcnde bir ba\u015fka \u00f6nemli de\u011fi\u015fiklik daha var. AlphaFold2\u2019nin temel kodu, di\u011fer ara\u015ft\u0131rmac\u0131lar\u0131n algoritmay\u0131 inceleyebilmesi ve kendi projeleri i\u00e7in yeniden yapabilmesi i\u00e7in a\u00e7\u0131k kaynakl\u0131yd\u0131. Ancak, Google, AlphaFold3\u2019\u00fcn kaynak kodunu payla\u015fmak yerine \u015fimdiye kadar onu bir ticari s\u0131r olarak korumay\u0131 tercih etti. AlQuraishi, \u201cEn az\u0131ndan \u015fimdilik, hi\u00e7 kimse [AlphaFold2] ile yapt\u0131klar\u0131 gibi onu \u00e7al\u0131\u015ft\u0131r\u0131p kullanamaz\u201d diyor.<\/p>\n

AlphaFold3\u2019\u00fcn piyasaya s\u00fcr\u00fclmesinden \u00f6nce bile ara\u015ft\u0131rmac\u0131lar, AlphaFold2\u2019nin farkl\u0131 konformasyonlardaki proteinler hakk\u0131nda yararl\u0131 bilgiler sa\u011flay\u0131p sa\u011flayamayaca\u011f\u0131n\u0131 g\u00f6rmek i\u00e7in test ediyorlard\u0131. Brown \u00dcniversitesi\u2019nde kimya ve fizik do\u00e7enti olan Brenda Rubenstein, di\u011fer proteinleri aktive eden bir protein t\u00fcr\u00fc olan kinazlarla ilgileniyordu. \u00d6zellikle kansere neden olan bir kinaz\u0131n mekanizmas\u0131n\u0131 anlamak istiyordu, b\u00f6ylece ona kar\u015f\u0131 daha hassas ila\u00e7lar geli\u015ftirebilecekti. Ekibi, Newton yasalar\u0131n\u0131 kullanarak atomlar\u0131n \u00fc\u00e7 boyutlu koordinatlar\u0131n\u0131 haritalayan fizik tabanl\u0131 bir yakla\u015f\u0131mdan yararlanarak kinaz\u0131n yap\u0131s\u0131n\u0131 modelledi. Bu i\u015f iki bu\u00e7uk y\u0131l s\u00fcrd\u00fc.<\/p>\n

\u201cYakla\u015f\u0131k bir y\u0131l \u00f6nce, \u015funu s\u00f6yledik: Bunu daha h\u0131zl\u0131 yapabilir miyiz?\u201d. AlphaFold2\u2019yi yeni bir \u015fekilde kullanmay\u0131 denediler. Algoritmaya ilgili proteinler hakk\u0131nda veri sa\u011flayarak, farkl\u0131 konformasyonlardaki kinaz\u0131n\u0131 % 80\u2019den fazla do\u011frulukla tahmin edebilece\u011fini buldu. AlQuraishi\u2019e g\u00f6re Rubenstein\u2019in laboratuvar\u0131, \u201cAlphaFold\u2019u do\u011fru \u015fekilde d\u00fcrterseniz, alternatif konformasyonlar \u00e7\u0131karmas\u0131n\u0131 sa\u011flayabilece\u011finiz\u201d birka\u00e7 laboratuvardan biri. \u201cBu cesaret verici.\u201d<\/p>\n

AlQuraishi, 2040 y\u0131l\u0131na kadar derin \u00f6\u011frenmenin t\u00fcm bir h\u00fccreyi ve i\u00e7indeki t\u00fcm yap\u0131lar\u0131 ve dinamikleri sim\u00fcle edebilece\u011fini umuyor. Ancak oraya ula\u015fmak hem deneysel hem de hesaplamal\u0131 tarafta s\u0131\u00e7ramalar gerektirecek.<\/p>\n

Bir yabanc\u0131n\u0131n g\u00f6r\u00fc\u015f\u00fc
\n<\/em><\/strong>Bir\u00e7ok biyolog i\u00e7in AlphaFold2, bekledikleri at\u0131l\u0131md\u0131. CASP\u2019\u0131n amac\u0131, protein yap\u0131s\u0131n\u0131 diziden tahmin eden hesaplama ara\u00e7lar\u0131 yaratmakt\u0131. Yine de \u00e7o\u011fu ki\u015fi \u015fu soruyu sormadan edemiyor: Bu kadar \u00e7ok uzman onlarca y\u0131ld\u0131r u\u011fra\u015f\u0131rken, nas\u0131l oldu da alanda nispeten yeni olan birinin protein kodunu \u00e7\u00f6zebilmesi m\u00fcmk\u00fcn oldu? Google DeepMind\u2019\u0131n bilgisayar ve protein bilimcilerinden olu\u015fan ekibinin soruna getirdi\u011fi i\u00e7g\u00f6r\u00fcler ink\u00e2r edilemez. Ayn\u0131 zamanda, protein biliminin zemini verimliydi ve derin \u00f6\u011frenme devrimi yaratmaya haz\u0131rd\u0131, diyor AlQuraishi. \u201cBu \u015feyler birdenbire ortaya \u00e7\u0131kmaz.\u201d<\/p>\n

CASP 2020 geldi\u011finde, bir\u00e7ok ara\u015ft\u0131rmac\u0131 yapay zek\u00e2 arac\u0131l\u0131\u011f\u0131yla yap\u0131 tahmininde bir at\u0131l\u0131m bekliyordu. Townshend, \u201cHer \u015fey o y\u00f6ne do\u011fru gidiyordu\u201d diyor. Ancak bunun milyarlarca dolarl\u0131k bir teknoloji \u015firketinden gelmesini beklemiyorlard\u0131 ve bunu bu kadar erken beklemiyorlard\u0131. Baz\u0131lar\u0131 AlphaFold2\u2019nin yeni bir bilim ba\u015far\u0131s\u0131 de\u011fil, ak\u0131ll\u0131 bir m\u00fchendislik oldu\u011funu s\u00f6yledi. Baz\u0131lar\u0131 David Baker\u2019\u0131n algoritmalar\u0131n\u0131n kupay\u0131 alamamas\u0131na \u015fa\u015f\u0131rd\u0131. Di\u011ferleri ise Google DeepMind\u2019\u0131n e\u015fsiz kaynaklar\u0131 nedeniyle daha az \u015fa\u015f\u0131rd\u0131.<\/p>\n

Her y\u0131l yakla\u015f\u0131k 100 laboratuvar CASP\u2019a kat\u0131l\u0131yor ve bunlar yapay zek\u00e2 teknolojilerini benimsemeye ba\u015flam\u0131\u015f olsalar da \u201cmuhtemelen DeepMind\u2019\u0131n sahip oldu\u011fu uzmanl\u0131\u011fa veya bilgi i\u015flem g\u00fcc\u00fcne sahip de\u011fillerdi\u201d diyor Thornton. DeepMind \u201ctemelde s\u0131n\u0131rs\u0131z bilgi i\u015flem g\u00fcc\u00fcne eri\u015febiliyordu\u201d.<\/p>\n

\"\"Ayr\u0131ca Google\u2019\u0131n protein bilimindeki uzmanl\u0131k eksikli\u011finin onlar\u0131 yarat\u0131c\u0131 olarak \u00f6zg\u00fcrle\u015ftirmi\u015f olabilece\u011fini de d\u00fc\u015f\u00fcn\u00fcyor. Tek bir fikirleri vard\u0131 ve harika bir sinir a\u011f\u0131 olu\u015fturmaya odakland\u0131lar. Protein biyologlar\u0131n\u0131n ise y\u00fckleri daha a\u011f\u0131rd\u0131. Yapay zek\u00e2 ara\u00e7lar\u0131 \u00fczerinde \u00e7al\u0131\u015f\u0131rken, protein katlanmas\u0131nda yer alan atom d\u00fczeyindeki molek\u00fcler fizi\u011fi ve kimyay\u0131 yakalamak istediler. Oysa DeepMind\u2019\u0131n yakla\u015f\u0131m\u0131 farkl\u0131yd\u0131: Dizi verilerini 3 boyutlu bir yap\u0131ya d\u00f6n\u00fc\u015ft\u00fcrece\u011fiz ve oraya nas\u0131l ula\u015ft\u0131\u011f\u0131m\u0131z\u0131n bir \u00f6nemi yok. Walden, DeepMind\u2019\u0131n di\u011ferleri gibi protein katlama sorununu \u00e7\u00f6zmeye \u00e7al\u0131\u015fmaktan ziyade, sadece hesapsal kaba kuvvetle uzaydaki atomlar\u0131n son konumlar\u0131n\u0131 haritalamaya odakland\u0131klar\u0131n\u0131 d\u00fc\u015f\u00fcn\u00fcyor. \u201cOlduk\u00e7a ilgin\u00e7 bir \u015fekilde, muhtemelen sorunu \u00e7\u00f6zd\u00fcler.\u201d<\/p>\n

Baz\u0131 biyologlara g\u00f6re bu yakla\u015f\u0131m protein katlama sorununu eksik b\u0131rak\u0131yor. Yap\u0131sal biyolojinin ilk g\u00fcnlerinden itibaren ara\u015ft\u0131rmac\u0131lar bir aminoasit dizisinin bir proteine \u200b\u200bnas\u0131l katland\u0131\u011f\u0131na dair kurallar\u0131 \u00f6\u011frenmeyi umuyorlard\u0131. \u00c7o\u011fu biyolog, AlphaFold2 ile yap\u0131 tahmin sorununun \u00e7\u00f6z\u00fcld\u00fc\u011f\u00fc konusunda hemfikir. Ancak protein katlama sorunu esas\u0131nda \u00e7\u00f6z\u00fclmedi. Zhong, \u201c\u015eu anda, size katlanm\u0131\u015f durumlar\u0131 bir \u015fekilde s\u00f6yleyebilen, ancak oraya nas\u0131l ula\u015ft\u0131\u011f\u0131n\u0131z\u0131 ger\u00e7ekten s\u00f6yleyemeyen bir kara kutunuz var\u201d diyor. Brown \u00dcniversitesi\u2019nden bilgisayar bilimcisi Littman\u2019a g\u00f6re ise sorun \u201cbir biliminsan\u0131n\u0131n \u00e7\u00f6zece\u011fi \u015fekilde \u00e7\u00f6z\u00fclmedi\u201d.<\/p>\n

AlphaFold2, y\u00fcz binlerce protein yap\u0131s\u0131n\u0131n analizine dayanarak belirli bir aminoasit dizisinin nas\u0131l katlanabilece\u011fine dair kal\u0131plar\u0131 tan\u0131yabilir. Ancak biliminsanlar\u0131na protein katlama s\u00fcreci hakk\u0131nda hi\u00e7bir \u015fey s\u00f6yleyemez. Johns Hopkins\u2019te emekli biyofizik profes\u00f6r\u00fc olan George Rose, \u201cBir\u00e7ok insan i\u00e7in bilmenize gerek yok. Umursam\u0131yorlar.\u201d diyor. \u201cAncak bilim, en az\u0131ndan son 500 y\u0131ld\u0131r \u015feylerin meydana geldi\u011fi s\u00fcreci anlamaya \u00e7al\u0131\u015fmakla me\u015fgul.\u201d Rose, protein tabanl\u0131 ya\u015fam\u0131n dinamiklerini, mekanizmalar\u0131n\u0131, i\u015flevlerini ve do\u011fas\u0131n\u0131 anlamak i\u00e7in, derin \u00f6\u011frenme algoritmalar\u0131n\u0131n bize anlatamad\u0131\u011f\u0131 \u201chik\u00e2yenin b\u00fct\u00fcn\u00fcne\u201d ihtiyac\u0131m\u0131z oldu\u011funu savunuyor.<\/p>\n

Moult\u2019a g\u00f6re, makinenin anlamad\u0131\u011f\u0131 bir \u015fey yapmas\u0131 \u00f6nemli de\u011fil. \u201cHepimiz makinelerin bizim yapamad\u0131\u011f\u0131m\u0131z \u015feyleri yapmas\u0131na al\u0131\u015fk\u0131n\u0131z. Biliyorsunuz, arabam kadar h\u0131zl\u0131 ko\u015famam.\u201d diyor. Bir proteini incelemeye \u00e7al\u0131\u015fan ve sadece nas\u0131l g\u00f6r\u00fcnd\u00fc\u011f\u00fcn\u00fc kabaca bilmesi gereken molek\u00fcler biyologlar i\u00e7in, oraya nas\u0131l ula\u015ft\u0131klar\u0131 ger\u00e7ekten \u00f6nemli de\u011fil. Ancak, \u201cGer\u00e7ekten nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 bilene kadar, asla % 100 g\u00fcvenilir bir tahminciye sahip olamayaca\u011f\u0131z\u201d diyor Porter. \u201cEn bilgi verici tahminleri yapabilmek i\u00e7in temel fizi\u011fi anlamam\u0131z gerekiyor.\u201d AlQuraishi\u2019e g\u00f6re \u201cHedefi ilerletmeye devam ediyoruz\u201d. \u201cBence temel sorun \u00e7\u00f6z\u00fcld\u00fc, bu y\u00fczden \u015fimdi s\u0131ra bundan sonra ne olaca\u011f\u0131na geldi.\u201d<\/p>\n

Perrakis\u2019in bazen eski i\u015f yapma bi\u00e7imlerine duyulan nostalji dalgas\u0131na kap\u0131ld\u0131\u011f\u0131 oluyor. 2022\u2019de ekibi, daha \u00f6nceden X-\u0131\u015f\u0131n\u0131 kristalografisi kullanarak belirledikleri mikrot\u00fcb\u00fcllerin (h\u00fccrelere yap\u0131 sa\u011flayan dev, \u00e7ubuk \u015feklindeki molek\u00fcller) de\u011fi\u015fiminde rol oynayan bir enzimi ortaya \u00e7\u0131kard\u0131. \u201cBunu [bir daha] asla yapmayaca\u011f\u0131m\u0131 fark ettim\u201d diyor. \u201cAylar s\u00fcren \u00e7al\u0131\u015fman\u0131n ard\u0131ndan ilk yap\u0131n\u0131n ortaya \u00e7\u0131kmas\u0131 \u00e7ok \u00f6zel bir memnuniyetti.\u201d<\/p>\n

AlphaFold2 bu deneyleri ge\u00e7ersiz k\u0131lmad\u0131. Aksine, ne kadar gerekli olduklar\u0131n\u0131 vurgulad\u0131. Tarihsel olarak farkl\u0131 iki disiplini bir araya getirerek yeni ve te\u015fvik edici bir tart\u0131\u015fma ba\u015flatt\u0131.<\/p>\n

Yeni d\u00fcnya
\n<\/em><\/strong>Porter\u2019\u0131n s\u00f6yledi\u011fine g\u00f6re, yetmi\u015f y\u0131l \u00f6nce proteinlerin jelatinimsi bir madde oldu\u011fu d\u00fc\u015f\u00fcn\u00fcl\u00fcyordu. \u201c\u015eimdi ne g\u00f6rebildi\u011fimize bir bak\u0131n\u201d: \u0130ster do\u011fada var olsunlar ister tasarlanm\u0131\u015f olsunlar, g\u00f6z\u00fcn alamayaca\u011f\u0131 kadar geni\u015f bir protein d\u00fcnyas\u0131yla kar\u015f\u0131 kar\u015f\u0131yay\u0131z.<\/p>\n

Perrakis, protein biyolojisi alan\u0131n\u0131n \u201cAlphaFold\u2019dan \u00f6nce oldu\u011fundan daha heyecan verici\u201d oldu\u011funu g\u00f6r\u00fc\u015f\u00fcnde. Heyecan, yap\u0131 temelli ila\u00e7 ke\u015ffini canland\u0131rma vaadinden, hipotezler olu\u015fturmadaki h\u0131zlanma ve h\u00fccreler i\u00e7inde ger\u00e7ekle\u015fen karma\u015f\u0131k etkile\u015fimleri anlama umudundan geliyor. \u00c7ok fazla veri var ve biyologlar ister laboratuvarlar\u0131nda ister bilgisayarlar\u0131n\u0131n \u00f6n\u00fcnde olsun, t\u00fcm bunlarla ne yapacaklar\u0131n\u0131 anlamaya yeni ba\u015fl\u0131yorlar. Ancak d\u00fcnyan\u0131n d\u00f6rt bir yan\u0131nda k\u0131v\u0131lc\u0131m sa\u00e7an di\u011fer yapay zek\u00e2 at\u0131l\u0131mlar\u0131 gibi, bunun da bir s\u0131n\u0131r\u0131 olabilir.<\/p>\n

AlphaFold2\u2019nin ba\u015far\u0131s\u0131, e\u011fitim verilerinin kullan\u0131labilirli\u011fine dayan\u0131yordu, yani sab\u0131rl\u0131 deneycilerin titiz elleriyle belirlenmi\u015f olan y\u00fcz binlerce protein yap\u0131s\u0131ndan. AlphaFold3 ve ilgili algoritmalar molek\u00fcler bile\u015fiklerin yap\u0131lar\u0131n\u0131 belirlemede bir miktar ba\u015far\u0131 g\u00f6stermi\u015f olsa da, do\u011fruluklar\u0131 tek proteine odakl\u0131 \u00f6nc\u00fcllerinin gerisinde kal\u0131yor. Bunun bir nedeni de \u00f6nemli \u00f6l\u00e7\u00fcde daha az e\u011fitim verisinin mevcut olmas\u0131d\u0131r. Thornton, protein katlama probleminin \u201cbir yapay zek\u00e2 \u00e7\u00f6z\u00fcm\u00fc i\u00e7in neredeyse m\u00fckemmel bir \u00f6rnek\u201d oldu\u011funu, \u00e7\u00fcnk\u00fc algoritman\u0131n tekd\u00fcze bir \u015fekilde toplanm\u0131\u015f y\u00fcz binlerce protein yap\u0131s\u0131 \u00fczerinde e\u011fitilebilece\u011fini s\u00f6yl\u00fcyor. Ancak Protein Veri Bankas\u0131, biyolojide organize veri payla\u015f\u0131m\u0131n\u0131n al\u0131\u015f\u0131lmad\u0131k bir \u00f6rne\u011fi olabilir. Algoritmalar\u0131 e\u011fitmek i\u00e7in y\u00fcksek kaliteli veriler olmadan, do\u011fru tahminler yapamayacaklard\u0131r.<\/p>\n

\u201c\u015eansl\u0131yd\u0131k\u201d diyor Jumper, \u201csorunla, \u00e7\u00f6z\u00fclmeye haz\u0131r oldu\u011fu zamanda kar\u015f\u0131la\u015ft\u0131k\u201d.<\/p>\n

Derin \u00f6\u011frenmenin protein katlama problemini ele almadaki ba\u015far\u0131s\u0131n\u0131n di\u011fer bilim alanlar\u0131na hatta biyolojinin di\u011fer alanlar\u0131na ta\u015f\u0131n\u0131p ta\u015f\u0131nmayaca\u011f\u0131n\u0131 kimse bilmiyor. Ancak AlQuraishi gibi baz\u0131lar\u0131 iyimser. Protein katlanmas\u0131n\u0131n \u201casl\u0131nda buzda\u011f\u0131n\u0131n sadece g\u00f6r\u00fcnen k\u0131sm\u0131\u201d oldu\u011fu g\u00f6r\u00fc\u015f\u00fcnde. \u00d6rne\u011fin kimyagerlerin h\u00e2l\u00e2 bilgisayar kayna\u011f\u0131 a\u00e7\u0131s\u0131ndan pahal\u0131 hesaplamalar yapmas\u0131 gerekiyor. AlQuraishi, derin \u00f6\u011frenmeyle bu hesaplamalar\u0131n daha \u00f6nce oldu\u011fundan bir milyon kat daha h\u0131zl\u0131 hesapland\u0131\u011f\u0131n\u0131 s\u00f6yl\u00fcyor.<\/p>\n

Yapay zek\u00e2, belirli t\u00fcrden bilimsel sorular\u0131 a\u00e7\u0131k\u00e7a ilerletebilir. Ancak biliminsanlar\u0131n\u0131 bilgiyi ilerletmede ancak belirli bir noktaya kadar g\u00f6t\u00fcrebilir. AlQuraishi\u2019ye g\u00f6re \u201cBilim, tarihsel olarak do\u011fay\u0131 anlamakla ilgiliydi\u201d, yani ya\u015fam\u0131n ve evrenin alt\u0131nda yatan s\u00fcre\u00e7leri. Bilim, \u00e7\u00f6z\u00fcmler ortaya koyan ve s\u00fcrece dair hi\u00e7bir bilgi i\u00e7ermeyen derin \u00f6\u011frenme ara\u00e7lar\u0131yla ilerlerse, bu ger\u00e7ekten bilim midir? \u201cKanseri tedavi edebiliyorsan\u0131z, bunun ger\u00e7ekten nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 umursar m\u0131s\u0131n\u0131z?\u201d diyor AlQuraishi. \u201cBu, \u00f6n\u00fcm\u00fczdeki y\u0131llarda bo\u011fu\u015faca\u011f\u0131m\u0131z bir soru.\u201d E\u011fer bir\u00e7ok ara\u015ft\u0131rmac\u0131 do\u011fan\u0131n s\u00fcre\u00e7lerini anlamaktan vazge\u00e7meye karar verirse, yapay zek\u00e2 yaln\u0131zca bilimi de\u011fil, biliminsanlar\u0131n\u0131 da de\u011fi\u015ftirmi\u015f olacakt\u0131r.<\/p>\n

Bu arada, CASP organizat\u00f6rleri farkl\u0131 bir soruyla bo\u011fu\u015fuyor: Yar\u0131\u015fmalar\u0131na ve konferanslar\u0131na nas\u0131l devam edecekler? AlphaFold2, CASP\u2019nin bir \u00fcr\u00fcn\u00fc ve konferans\u0131n ele almak i\u00e7in d\u00fczenlendi\u011fi ana sorunu \u00e7\u00f6zd\u00fc. 2022\u2019de CASP toplant\u0131s\u0131 T\u00fcrkiye, Antalya\u2019da yap\u0131ld\u0131. Google DeepMind kat\u0131lmad\u0131, ancak ekibin varl\u0131\u011f\u0131 hissedildi. Jones, \u201cAz \u00e7ok AlphaFold kullanan insanlard\u0131\u201d diyor. Bu anlamda, Google\u2019\u0131n yine de kazand\u0131\u011f\u0131n\u0131 s\u00f6yledi.<\/p>\n

Baz\u0131 ara\u015ft\u0131rmac\u0131lar art\u0131k kat\u0131lmaya daha az istekli. \u201cBu sonucu g\u00f6rd\u00fc\u011f\u00fcmde, ara\u015ft\u0131rma konumu de\u011fi\u015ftirdim\u201d diyor Xu. Di\u011ferleri kendi algoritmalar\u0131n\u0131 geli\u015ftirmeye devam ediyor. Jones h\u00e2l\u00e2 yap\u0131 tahminiyle u\u011fra\u015f\u0131yor, ancak bu art\u0131k onun i\u00e7in daha \u00e7ok bir hobi. AlQuraishi ve Baker gibi di\u011ferleri, milyarlarca dolarl\u0131k bir \u015firketle rekabet etme ihtimalinden y\u0131lmadan yap\u0131 tahmini ve tasar\u0131m\u0131 i\u00e7in yeni algoritmalar geli\u015ftirerek yola devam ediyor.<\/p>\n

Moult ve konferans organizat\u00f6rleri zamana ayak uydurmaya \u00e7al\u0131\u015f\u0131yor. CASP\u2019\u0131n bir sonraki turu may\u0131s ay\u0131nda kat\u0131l\u0131mlara a\u00e7\u0131ld\u0131. Derin \u00f6\u011frenmenin RNA veya biyomolek\u00fcler kompleksler gibi yap\u0131sal biyolojinin daha fazla alan\u0131n\u0131 fethetmesini umuyor. Moult, \u201cBu y\u00f6ntem bu tek sorun \u00fczerinde i\u015fe yarad\u0131\u201d diyor. \u201cYap\u0131sal biyolojide bununla ili\u015fkili bir\u00e7ok ba\u015fka sorun daha var\u201d.<\/p>\n

Bir sonraki toplant\u0131 Aral\u0131k 2024\u2019te Karayip Denizi\u2019ne kar\u015f\u0131 yap\u0131lacak. R\u00fczg\u00e2r dost\u00e7a esiyor, tart\u0131\u015fmalar da muhtemelen \u00f6yle olacak. Ayak sesleri \u00e7oktan dindi, en az\u0131ndan y\u00fcksek sesli olanlar. Bu y\u0131lki yar\u0131\u015fman\u0131n nas\u0131l g\u00f6r\u00fcnece\u011fi herkesin tahminine kalm\u0131\u015f. Ancak son birka\u00e7 CASP bir g\u00f6sterge ise, Moult yaln\u0131zca bir \u015feyi beklemeyi biliyor: \u201cS\u00fcrprizler\u201d.<\/p>\n

Kaynak<\/strong>: https:\/\/www.quantamagazine.org\/how-ai-revolutionized-protein-science-but-didnt-end-it-20240626\/<\/p>\n","protected":false},"excerpt":{"rendered":"

Yasemin \u015eaplako\u011flu \u00c7ev. Cem Oran Okuyaca\u011f\u0131n\u0131z makale, quantamagazine.org\u2019da 26 Haziran 2024\u2019de yay\u0131nland\u0131. Yazar Yasemin Saplakoglu, Quanta Magazine\u2019in biyoloji alan\u0131nda pop\u00fcler bilim i\u00e7eri\u011fi \u00fcreten kadrolu yazar\u0131. Connecticut \u00dcniversitesi’nden biyomedikal m\u00fchendisli\u011fi, California \u00dcniversitesi, Santa Cruz\u2019da ise bilim ileti\u015fimi alan\u0131nda y\u00fcksek lisans derecelerine sahip. Arkada\u015f\u0131m\u0131z Cem Oran bu ilgin\u00e7 makaleyi Bilim ve Gelecek okurlar\u0131 i\u00e7in T\u00fcrk\u00e7ele\u015ftirdi. Aral\u0131k 2020\u2019de, […]<\/p>\n","protected":false},"author":4197,"featured_media":62923,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[9827,38,1464,510],"tags":[482,7282,9831,400,9832],"class_list":["post-62922","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-245-sayi","category-dergi-sayilari","category-dosya","category-surekli-bolumler","tag-bilim","tag-cem-oran","tag-protein-bilimi","tag-yapay-zeka","tag-yasemin-saplakoglu"],"acf":[],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/bilimvegelecek.com.tr\/index.php\/wp-json\/wp\/v2\/posts\/62922","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/bilimvegelecek.com.tr\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/bilimvegelecek.com.tr\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/bilimvegelecek.com.tr\/index.php\/wp-json\/wp\/v2\/users\/4197"}],"replies":[{"embeddable":true,"href":"https:\/\/bilimvegelecek.com.tr\/index.php\/wp-json\/wp\/v2\/comments?post=62922"}],"version-history":[{"count":0,"href":"https:\/\/bilimvegelecek.com.tr\/index.php\/wp-json\/wp\/v2\/posts\/62922\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/bilimvegelecek.com.tr\/index.php\/wp-json\/wp\/v2\/media\/62923"}],"wp:attachment":[{"href":"https:\/\/bilimvegelecek.com.tr\/index.php\/wp-json\/wp\/v2\/media?parent=62922"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/bilimvegelecek.com.tr\/index.php\/wp-json\/wp\/v2\/categories?post=62922"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/bilimvegelecek.com.tr\/index.php\/wp-json\/wp\/v2\/tags?post=62922"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}