Clear Sky Science
Kanıta dayalı, jargonu hafif açıklamalar

Clear Sky Science · tr

Ontoloji Pekiştirmeli Yineleme ile Fonksiyonel Protein Tasarımı ve İyileştirme

· Dizine geri dön

Bilgisayarlara Daha İyi Proteinler İnşa Etmeyi Öğretmek

Proteinler, hücre içinde yiyeceklerin parçalanmasından enfeksiyonlarla mücadeleye kadar neredeyse tüm işleri yapar. Bilim insanları, daha dayanıklı endüstriyel enzimler veya daha iyi tıbbi araçlar gibi istenildiği zaman yeni proteinler tasarlamak ister; ancak bilgisayarda ortaya çıkan fikirleri gerçek, çalışan moleküllere dönüştürmek halen zor. Bu çalışma, yapay zekâyı doğrudan laboratuvar deneylerine bağlayan ve protein tasarımını daha hızlı, daha güvenilir ve kontrol edilebilir hale getirmeyi amaçlayan ORI adlı yeni bir sistemi tanıtıyor.

Neden Protein Tasarımı Bu Kadar Zor

Her protein uzun bir amino asit zincirinden oluşur ve bu zincirdeki küçük değişiklikler molekülün katlanma ve davranışını dramatik biçimde değiştirebilir. Modern yapay zekâ protein şekillerini tahmin edebilir ve yeni diziler üretebilir, ancak bilgisayarda iyi görünen ile test tüpünde gerçekten işe yarayan arasında inatçı bir boşluk vardır. Pek çok tasarım kararsızdır, doğru şekilde katlanmaz veya istenen aktiviteye sahip değildir; bu da araştırmacıları yavaş deneme-yanılma süreçlerine bağımlı kılar.

Bilgisayar ile Laboratuvar Arasında Kapalı Döngü

ORI çerçevesi bu soruna yapay zekâ modelleri ile gerçek deneyler arasında bir geribildirim döngüsü oluşturarak cevap veriyor

Figure 1. Bir yapay zekânın laboratuvar testleriyle yönlendirilerek gerçek dünya ihtiyaçlarına uygun daha iyi çalışan proteinler tasarlama biçimi.
Figure 1. Bir yapay zekânın laboratuvar testleriyle yönlendirilerek gerçek dünya ihtiyaçlarına uygun daha iyi çalışan proteinler tasarlama biçimi.
. Üç ana bileşeni vardır. Birincisi, bir “protein tasarım ajanı” bilim insanının örneğin yüksek sıcaklıkta çalışan bir enzim isteği gibi düz yazı halindeki talebini alır ve bunu özelliklerin yapılandırılmış bir kontrol listesine çevirir. İkincisi, büyük bir protein üretim modeli bu kontrol listesini kullanarak bu gereksinimlere uygun olması muhtemel çok sayıda yeni protein dizisi yazar. Üçüncüsü, birleşik bir dizi modeli her adayı kararlılık, çözünürlük ve önemli işlevsel bölgelerin varlığı gibi özellikler açısından hızlıca puanlar ve zayıf seçenekleri laboratuvara ulaşmadan önce eler.

Deneysel Geribildirimden Öğrenme

ORI’yi farklı kılan, sadece tahminle sınırlı kalmayıp laboratuvarın başarı ve başarısızlıklarından öğrenmesidir. Seçilen protein tasarımları sentezlenir ve ne kadar iyi ifade edildikleri, aktivite seviyeleri ve stres altında nasıl davrandıkları test edilir. Bu sonuçlar, pekiştirmeli öğrenmeden uyarlanmış bir strateji kullanılarak yapay zekâya geri beslenir; böylece sistem kağıt üzerinde değil gerçek hayatta iyi performans gösteren dizi desenlerini giderek daha çok tercih eder. Birden çok tur boyunca yapay zekâ, gerçek dünya elemesinden sağ çıkan adayları önermede daha iyi hale gelir

Figure 2. Yapay zekânın çok sayıda protein tasarımını nasıl süzdüğü ve birkaç güçlü, ısıya dayanıklı enzime nasıl yoğunlaştırdığı.
Figure 2. Yapay zekânın çok sayıda protein tasarımını nasıl süzdüğü ve birkaç güçlü, ısıya dayanıklı enzime nasıl yoğunlaştırdığı.
.

Daha Güçlü, Daha Sıcak ve Çift İşlevli Enzimler İnşa Etmek

ORI’nın neler yapabildiğini göstermek için yazarlar sistemi birkaç enzim tasarım zorluğuna uyguladılar. Bakteriyel hücre duvarlarını parçalayan lizozimler için sistem birçok varyant üretti ve deneysel geribildirimden öğrenmenin ardından doğal lizozimlerden çok daha yüksek aktiviteye sahip versiyonlar ortaya çıktı; bunların arasında standart bir referansa göre yaklaşık yüz kat daha aktif olan bir tasarım vardı. ORI ayrıca böcek kabukları ve mantarlarda bulunan kitini parçalayan enzimler olan kitinazların tasarımında kullanıldı. Modeli ısıya dayanıklı özelliklere yönlendirerek ekip, çoğu doğal versiyonun katlanamayacağı düzeyde; yaklaşık 85 santigrat civarında aktif kalan kitinazlar yarattı. Son olarak, sistem hem lizozim hem de kitinaz aktivitesini tek bir proteinde birleştiren proteinler mühendislik etti ve bu çift işlevli enzimlerin bazıları, her iki görevde de uzmanlaşmış doğal karşıtlarını geride bıraktı.

Protein Olanaklarını Keşfetmek İçin Yeni Bir Yol

Uzman olmayanlar için kilit fikir, ORI’nin protein tasarımını tek atımlık bir tahmin yerine bilgisayar modelleri ile ıslak laboratuvar arasında devam eden bir konuşmaya dönüştürmesidir. Sistem, hayal gücünü yönlendirmek için protein türleri ve özellikleri hakkında yapılandırılmış bilgiyi kullanır ve her yeni tasarım hakkında deneylerin söylediklerini dikkatle dinler. Bu süreci tekrarlayarak ORI sadece doğal proteinlerle eşleşmekle kalmaz, bazen dayanıklılık, ısı direnci veya çok yönlülük açısından onları aşar. Bu, tıp, sanayi ve çevresel uygulamalar için uyarlanmış proteinlerin daha verimli ve daha güvenilir biçimde geliştirilebileceği bir geleceği işaret ediyor.

Atıf: He, B., Qin, C., Zhao, Y. et al. Functional protein design and enhancement with ontology reinforcement iteration. Nat Commun 17, 4158 (2026). https://doi.org/10.1038/s41467-026-69855-6

Anahtar kelimeler: protein mühendisliği, enzim tasarımı, yapay zeka, termostabil enzimler, çok işlevli proteinler