Derin öğrenme tarafından üretilen 3B moleküllerin konformasyon geçerliliğinin ve rasyonelliğinin değerlendirilmesi

Neden Yapay Zeka Tarafından Tasarlanan Moleküllere Bir Gerçeklik Kontrolü Gerekir?

Yapay zeka, hastalıkla ilişkili proteinlerin girinti ve oyuklarına uyum sağlayabilecek küçük, üç boyutlu moleküller tasarlamayı hızla öğreniyor. Bu şekilde tasarlanan moleküller bir gün ilaç keşfini hızlandırabilir. Ancak bir sorun var: bilgisayarda iyi görünen birçok üretilmiş molekül aslında kimyanın temel kurallarını ihlal ediyor. İmkânsız şekillere bükülebilirler veya gerçekte var olmalarını engelleyecek kadar atomları yakın paketleyebilirler. Bu çalışma, hangi yapay zeka moleküllerinin muhtemelen gerçekçi olduğunu—ve hangilerinin dijital çöp kutusuna ait olduğunu—hızlıca ayırt edebilen fiziksel farkındalığa sahip bir kalite kontrol sistemi sunuyor.

Güzel Görüntüler İmkansız Şekilleri Nasıl Gizler?

Günümüz yapay zeka sistemleri, belirli bir protein oyucağı için binlerce 3B molekül önerebilir, ancak her önerinin fiziksel olarak makul olup olmadığını kontrol etmek şaşırtıcı derecede zor. Geleneksel “geometri kontrolleri” bağ uzunluklarına, bağ açılarına ve atomların birbirine yaklaşımına ya da şekillerin bilinen referans yapılarına karşılaştırılmasına bakar. Bu kurallar birçok ince problemi gözden kaçırabilir ve yeni bir molekül referans setindeki hiçbir şeye benzemiyorsa yanıltıcı sonuçlar verebilir. Kuantum mekaniğine dayanan daha titiz enerji hesaplamaları çok daha güvenilirdir fakat son derece yavaştır ve milyonlarca adayın taranması için pratik değildir. Bu nedenle üretici model geliştiricileri, yarattıklarının temel kimyasal fiziğe uyup uymadığını ölçecek açık ve ölçeklenebilir bir yöntemten yoksundu.

3B Moleküller İçin İki Aşamalı Bir Sağlık Kontrolü

Yazarlar, makine öğreniminin hızını ileri kuantum kimyasının doğruluğu ile birleştiren iki aşamalı bir çerçeve öneriyor. Birinci aşama olan “geçerlilik testi”, herhangi bir temizleme yapılmadan önce bariz derecede gerçekçi olmayan yapıları hedefliyor. Bu aşama, bir moleküldeki her atomun yerel çevresine dayalı enerjisini tahmin etmek için bir makine öğrenimi kuvvet alanı kullanır. Şiddetli çarpışmalar, bükülmüş halkalar veya yerinden çıkmış hidrojenler gibi son derece yüksek enerjili ortamlarda bulunan atomlar kırmızı bayraklar kaldırır. HEAD (yüksek enerjili atom dedektörü) adlı bu modül, konformasyonları geçerli veya geçersiz olarak etiketler ve ayrıca bir molekül ile protein oyucağı arasındaki problemli temasları da işaretleyebilir.

Kaba Taslaklardan Kimyasal Olarak Mantıklı Pozlara

Bir molekül bu ilk filtreyi geçse bile, dönebilen bağlar—yani iç “menteşeleri”—rahatsız edici açılara gerilebilir. Klasik bir kuvvet alanıyla hızlı bir temizlemenin ardından ikinci aşama olan “rasyonellik testi” bu daha ince ayrıntıları inceler. Burada TED (torsiyonel enerji gösterimi) aracı, bir molekülü her dönebilen bağ etrafında parçalara ayırır ve her bükülmenin enerji açısından ne kadar maliyetli olduğunu tahmin etmek için milyonlarca kuantum düzeyinde hesaplamayla eğitilmiş bir derin öğrenme modeli kullanır. Herhangi bir bağ tercih edilen aralığın yaklaşık 2 kilokalori/mol üzerinde bir durumda ise konformasyon rasyonel olmayan olarak etiketlenir. TED, medicinal kimyagerlerin önem verdiği bu yerel torsiyonel gerilimlere odaklanır; çünkü bunlar genellikle kararsız veya üretimi zor moleküllerle korelasyon gösterir.

Yapay Zeka Molekül Üreteçlerini Mikroskop Altına Sokmak

Yaklaşımın gücünü göstermek için araştırmacılar, HEAD ve TED’i 102 farklı protein hedefi için 3B moleküller üreten beş çağdaş yapay zeka modeli üzerinde kullandılar. Önce standart “ilaç benzerliği” ve sentez edilebilirlik skorlarına göre işe yaramayacak moleküller elendikten sonra kalan adaylar hem ligand şekillerini ve protein oyucaklarına uyumlarını kontrol etmek üzere HEAD’e hem de iyileştirme sonrası torsiyonel gerilimi sorgulamak üzere TED’e gönderildi. Hiçbir tek yapay zeka modeli her alanda mükemmel değildi: bazıları protein oyucakları ile iyi etkileşen ama iç geometrileri sık sık gerilmiş moleküller üretirken, diğerleri daha torsiyon dostu yapılar ama daha sık çarpışmalar verdi. Bu yan yana değerlendirme, basit yerleştirme skorları veya geometri kontrollerinden anlaşılmayacak belirgin güçlü ve zayıf yönleri ortaya koydu.

Geleceğin İlaç Tasarımı İçin Pratik Bir Tarama Hattı

İlaç benzerliği filtrelerini, HEAD geçerlilik kontrollerini ve TED rasyonellik kontrollerini zincirleyen yazarlar, modern donanımda dakikalar içinde binlerce yapay zeka tarafından üretilmiş molekülü işleyebilen tam bir tarama hattı kurdular. Bu hattaki en iyi performans gösteren modellerde bile tüm aşamalardan geçen moleküllerin oranı yaklaşık beşte birdi; bu da mevcut üreteçlerin ne kadar “fantazi kimya” ürettiğini vurguluyor. Yine de çerçeve esnektir: HEAD daha fazla elementi destekleyen yeni makine öğrenimi kuvvet alanlarına bağlanabilir ve TED daha zengin veriler ve çevresel bilgilerle geliştirilebilir. Konu hakkında uzman olmayanlar için çıkarım basittir: bu çalışma, bilgisayar dışında çökecek birçok yapay zeka tasarımı molekülü kimyasal olarak olası olanlardan ayırmaya yardımcı olan hızlı, fizik tabanlı bir güvenlik ağı sağlayarak yapay zeka destekli ilaç tasarımını güvenilir gerçekliğe bir adım daha yaklaştırıyor.

Atıf: Fan, F., Xi, B., Meng, X. et al. Assessing conformation validity and rationality of deep learning-generated 3D molecules. Nat Commun 17, 2481 (2026). https://doi.org/10.1038/s41467-026-69303-5

Anahtar kelimeler: Yapay zeka destekli ilaç tasarımı, 3B moleküler konformasyon, makine öğrenimi kuvvet alanları, torsiyon enerjisi, yapı temelli ilaç keşfi