JanusDDG: iki önden dikkat ile dizilere dayalı protein kararlılığı için fizik-bilgilendirilmiş bir sinir ağı

Bu araştırma neden önemli

Proteinler hücrelerimizi yaşatan küçük makineler gibidir ve yapı taşlarındaki tek bir değişiklik bile onların daha iyi, daha kötü veya hiç çalışmamasına yol açabilir. Bu tür değişikliklerin bir proteinin kararlılığını nasıl etkilediğini öngörebilmek, genetik hastalıkları anlamak ve daha iyi ilaçlar ile endüstriyel enzimler tasarlamak için kritiktir. Bu makale, yalnızca proteinin dizisini kullanarak mutasyonların protein kararlılığını nasıl değiştirdiğini tahmin eden ve aynı zamanda proteinlerin katlanmasını yöneten temel fiziksel kurallara uyan yeni bir yapay zeka modeli olan JanusDDG’yi tanıtıyor.

Kırılgan protein makinelerinin sorunu

Bir protein üç boyutlu şekline katlandığında, bir çadırı birçok ipten oluşan bir düzeneğe benzer şekilde çok sayıda kuvveti dengeler. Mutasyonlar bazı ipleri sıkıp bazılarını gevşeterek yapıyı daha kararlı veya daha az kararlı hale getirebilir. Bu etkilerin deneysel olarak test edilmesi yavaş ve maliyetlidir; bu yüzden araştırmacılar kararlılık değişikliklerini (ΔΔG) tahmin etmek için bilgisayar modellerine büyük ölçüde güveniyor. Mevcut araçlar genellikle ayrıntılı 3B yapılara erişimleri olduğunda en iyi sonucu verir ve bazen termodinamik kurallarını ihmal ederek kağıt üzerinde doğru görünen ancak fiziksel olarak tutarsız veya yeni proteinler için güvenilmesi zor tahminler üretebilir.

Protein dizilerini okumanın yeni bir yolu

JanusDDG bu zorluğa, milyonlarca protein dizisi üzerinde eğitilmiş bir sınıf olan protein dil modellerinden başlayarak yaklaşır; bu, dil modellerinin metinden öğrendiklerine benzer şekilde çalışır. Bu modeller her aminoasidi evrimsel örüntüleri ve tipik katlanma davranışını yakalayan zengin sayısal temsillere dönüştürür. JanusDDG, orijinal proteinin dizisini ve mutant dizisini alır, öğrenilmiş temsillerini karşılaştırır ve mutasyonun çevresel bağlamı nasıl bozduğuna odaklanan özel bir dikkat mekanizması kullanır. Sadece dizilere ihtiyaç duyduğundan, JanusDDG 3B yapısı bilinmeyen veya belirlenmesi zor olan proteinlere de uygulanabilir.

Yapay zekâya fiziği yerleştirmek

JanusDDG’nin temel yeniliği, temel fiziksel ilkeleri gözetmek üzere tasarlanmış olmasıdır. Yazarlar protein kararlılığının temel niceliği olan Gibbs serbest enerjisinin iki özelliğine odaklanır. Birincisi, antisimetri: bir varyanttan diğerine geçiş belirli bir kararlılık değişikliği yaratıyorsa, ters değişiklik bu etkiyi geri almalıdır. İkincisi, geçişkenlik: birinci varyanttan ikinciye, sonra üçüncüye giden toplam etkinin birinci doğrudan üçüncüye atlamasıyla eşit olması gerekir. JanusDDG’nin mimarisi, girdileri yer değiştirerek ağın iki ayna kopyasını çalıştırıp çıktıları birleştirerek ileri ve geri tahminlerin tam tersleri olmasını sağlayarak antisymetriyi zorunlu kılar. Geçişkenlik ise eğitim sırasında, mutasyon yolları adımlara bölündüğünde modelin tutarlı tahminler yapmasını teşvik eden özel bir kayıp terimi eklenerek desteklenir.

Çeşitli mutasyon türlerinde test etme performansı

Araştırmacılar JanusDDG’yi ölçülmüş kararlılık değişiklikleri içeren binlerce mutasyondan oluşan küratörlü bir veri kümesi üzerinde eğitip ardından eğitim verisiyle dizi örtüşmesinin çok düşük tutulduğu birkaç bağımsız ölçüt setinde test ettiler. Bu dikkatli tasarım, modelin tanıdık proteinleri ezberleme riskini azaltır. Tekli mutasyonların üç yaygın kullanılan koleksiyonunda JanusDDG, dizi tabanlı diğer araçlarla ve 3B yapılara dayanan birçok yöntemle eşleşti veya onları geride bıraktı. Aynı zamanda birden çok eşzamanlı mutasyonu da ele aldı; bu senaryo, değişiklikler arasındaki etkileşimlerin toplamsal olmaması nedeniyle daha zordur. Dikkate değer şekilde, doğruluğu uzayda birbirine yakın olan mutasyon çiftlerinde düşmedi; daha önceki modellerin sıklıkla zorlandığı bu durumlardaki performansını korudu.

Sayıların ötesinde kullanışlı kararlılık etiketleri

Uygulamada araştırmacılar genellikle kararlılık değişikliğinin büyüklüğünü bilmekle yetinmez; bir mutasyonun açıkça stabilleştirici mi yoksa destabilleştirici mi olduğunu da bilmek isterler. Yazarlar JanusDDG’yi stabilleştirici ile destabilleştirici varyantları ayırt etmeye odaklanan bir veri setinde test ettiler. Model sağlam bir performansa ulaşsa da bu görev, özellikle kategori sınırına yakın yerlerde deneysel gürültü ve biyolojik belirsizliğin en yüksek olduğu durumlarda, sayısal değerleri tahmin etmekten daha zordu. Yine de JanusDDG diğer önde gelen yöntemlerle karşılaştırıldığında olumlu bir tablo çizdi; bu, fizik-bilinçli tasarımının ve zengin dizi gömme kullanmasının belirsizlikle başa çıkmada birçok rakibinden daha iyi yardımcı olduğunu düşündürüyor.

Gelecekteki protein tasarımı için ne anlama geliyor

Genel olarak, JanusDDG modern dizi tabanlı yapay zekânın gücünü fizik yasalarının katı kısıtlarıyla birleştirmenin mümkün olduğunu gösteriyor. Proteinleri dil gibi okunabilecek diziler olarak ele alıp aynı zamanda tahminlerin antisymetri ve geçişkenlik kurallarına uymasında ısrar ederek, model hem doğru hem de termodinamik olarak tutarlı kararlılık tahminleri üretiyor. Uzman olmayanlar için çıkarım şudur: yapı gerektirmeyen güvenilir araçlara doğru yaklaşıyoruz; bu araçlar sayısız olası mutasyonu tarayıp proteini stabilize etme olasılığı en yüksek olanları veya hastalıkla ilişkilendirilen riskli değişiklikleri öne çıkarabilecek; ve bunların hepsi yalnızca istatistiksel kestirme yollar yerine fizik kurallarına dayalı kalırken yapılabiliyor.

Atıf: Barducci, G., Rossi, I., Codicé, F. et al. JanusDDG: a physics-informed neural network for sequence-based protein stability via two-fronts attention. Commun Biol 9, 494 (2026). https://doi.org/10.1038/s42003-026-09632-9

Anahtar kelimeler: protein kararlılığı, genetik mutasyonlar, protein tasarımı, makine öğrenimi, termodinamik