Fizikokimyasal özellik füzyonu ile derin öğrenme–dikkat çerçevesi kullanarak anti-diyabetik peptid adaylarının de novo üretimi ve in silico taraması

Diyabette daha akıllı peptid tasarımının önemi

Diyabet dünya çapında yüz milyonlarca insanı etkiliyor ve mevcut ilaçlar herkes için kusursuz çalışmıyor. Birçok tedavi zamanla etkinliğini yitiriyor veya yan etkilere yol açıyor. Yüksek doğrulukla kan şekeri düzenini ayarlayabilen küçük proteinler sınıfı olan anti-diyabetik peptidler umut verici bir seçenek sunuyor. Sorun şu ki, laboratuvarda yeni peptid ilaçları bulmak yavaş ve maliyetli. Bu çalışma, büyük sayıda potansiyel anti-diyabetik peptidi icat edip elekten geçirebilen, araştırmacıları gerçek dünyada test etmeye değer en umut verici adaylara yönlendiren bilgisayar destekli bir boru hattı tanıtıyor.

Bilinen diyabet peptidlerinden temiz başlangıç verisine

Araştırmacılar, çoğunlukla GLP-1 gibi hormonlar veya DPP-IV gibi enzimler üzerinden kan şekerini etkilediği deneysel olarak gösterilmiş yüksek kaliteli peptid koleksiyonunu derleyerek işe başladılar. Bunlar “pozitif” örnekleri oluşturdu. Ardından uzunluk, bileşim ve temel kimya açısından pozitiflere benzeyen, raporlanmış anti-diyabetik aktivitesi olmayan eşleşmiş bir “negatif” peptid seti oluşturdular. Modeli hemen hemen aynı olan kopyalarla yanıltmamak için dizilim benzerliği araçları kullanarak yakından ilişkili peptidlerin eğitim ve test gruplarında asla birlikte görünmediğinden emin oldular. Bu homoloji-bilinçli bölme, sistemin eski örüntüleri ezberlemek yerine gerçekten yeni kalıpları tanıma kabiliyeti üzerinden değerlendirileceğini garanti etti.

Peptidleri makinelere okunur kılmak için kimyayı kodlamak

Bir bilgisayar için bir peptid, amino asitleri temsil eden harflerden ibaret bir dizidir. Bu harfleri biyolojiyle ilişkilendirmek için ekip her amino asidi beş temel kimyasal özelliğe dönüştürdü: su iticiliği (hidrofobiklik), elektrik yükü, hidrojen bağı kurma eğilimi, kütle ve aromatik halka içerip içermediği. Bu, her peptidi hem sıralamayı hem de kimyayı yakalayan küçük bir “görüntü”ye dönüştürdü. Bunun üzerine toplam yük, ortalama hidrofobiklik ve bir peptidin diğer proteinlere bağlanma eğilimiyle ilişkili Boman indeksi gibi tüm-peptid tanımlayıcıları eklediler. Birlikte bu özellikler modele hem kısa amino asit motifleri gibi lokal örüntüleri hem de peptidin vücutta nasıl davrandığını etkileyen küresel özellikleri görme olanağı sağladı.

Seçimlerini açıklayan bir derin öğrenme motoru

Boru hattının çekirdeği hibrit bir derin öğrenme modeli. Bir konvolüsyonel sinir ağı (CNN) peptid boyunca tarama yaparak aktif peptidlerde görülme eğiliminde olan kısa motifleri arıyor; bu, bir görüntü tanıma sistemindeki filtrelere benziyor. Bunun üzerine yerleştirilen dikkat katmanı dizide hangi pozisyonların en önemli olduğunu öğrenerek uzak kalıntılar arasındaki uzun menzilli ilişkilikleri yakalıyor. Bu dizi motorunun çıktısı küresel kimyasal tanımlayıcılarla birleştirilip destek vektör makineleri, karar ağaçları, k-en yakın komşu ve gradyan arttırmalı ağaçlar gibi birkaç standart makine öğrenmesi sınıflandırıcısına veriliyor. OptimizedTPE adı verilen özel bir optimizasyon yöntemi ayarlarını otomatik olarak ince ayarlayarak doğruluk ile aşırı uyum riskini dengeliyor. Dikkat mekanizması ayrıca kalıntı düzeyinde “önem haritaları” sağlayarak bilim insanlarının her peptidin hangi bölümlerinin modelin kararlarını yönlendirdiğini görmesine yardımcı oluyor.

Veri sızıntısından kaçınırken yeni adaylar icat etmek

Bilinen anti-diyabetik peptidlerin az sayıda olmasını aşmak için ekip yalnızca eğitim sürecine beslenen bir üretim aşaması ekledi. Yönlendirilmiş mutasyon, motif yeniden kombinasyonu ve varyasyonel otoenkoder karışımı stratejiler kullanarak bilinen aktif peptidlere benzeyen ama onları kopyalamayan yeni diziler önerdiler. Bu adaylar, gerçekçi yük, boyut ve bağlanma eğilimini zorunlu kılan katı “tanımlayıcı kapıları” ve bilinen biyolojik olarak aktif peptidlere benzerliği puanlayan dış araçlar aracılığıyla tarandı. Bu filtreleri geçen ve tüm test peptidlerinden açıkça farklı kalan diziler eğitim için zayıf etiketli pozitifler olarak tutuldu; hiçbiri modeli değerlendirmek için kullanılmadı. Bu yaklaşım eğitim setini genişletirken temiz, önyargısız bir test ortamını korudu.

Sistemin performansı ve anlamı

Yakın tarihli literatürden toplanmış tamamen bağımsız 180 deneysel olarak incelenmiş peptid paneliyle karşılaştırıldığında, çerçeve yaklaşık 100 diziden 99’unu doğru şekilde etiketledi; doğruluk ve duyarlılık yaklaşık 0.99 civarındaydı. Pratikte bu, gerçek bir anti-diyabetik peptidi nadiren kaçırdığı ve inaktif bir peptidi nadiren umut vaat eden olarak sınıflandırdığı anlamına geliyor. Dikkat haritaları ve mutasyon testlerinin analizleri modelin kimyasal olarak mantıklı kuralları öğrendiğini gösterdi: diyabetle ilişkili hedeflere bağlanmada önemli olduğu bilinen pozitif yüklü ve belirli hidrofobik kalıntılara güçlü biçimde dayandığı görüldü. Moleküler doklama simülasyonları ayrıca yeni üretilen bazı peptidlerin insan GLP-1 reseptörü ile makul temaslar kurabileceğini öne sürdü. Bu tahminlerin laboratuvar onayı gerektirdiği halde, çalışma olası peptid ilaç uzayını keşfetmek ve diyabet yönetimine en çok yardımcı olma olasılığı olan az sayıda adayı önceliklendirmek için tekrarlanabilir, biyolojik temelli bir yol gösterdiğini gösteriyor.

Atıf: Asl, Z.R., Rezaee, K., Ansari, M. et al. De novo generation and in silico screening of anti-diabetic peptide candidates via a deep learning–attention framework with physicochemical feature fusion. Sci Rep 16, 6580 (2026). https://doi.org/10.1038/s41598-026-39985-4

Anahtar kelimeler: anti-diyabetik peptidler, derin öğrenme, ilaç keşfi, peptid tasarımı, GLP-1 reseptörü