Çeşitli protein konformasyonel toplulukları üretmek için yerellik-bilinçli modal hizalamayla koşullu difüzyon

Protein hareketinin önemi

Hücrelerimizdeki proteinler katı heykeller değildir; daha çok sürekli şekil değiştiren küçük, esnek makineler gibi davranırlar. Bu şekil değişimleri enzimlerin reaksiyonları nasıl katalize ettiğini, reseptörlerin ilaçlara nasıl yanıt verdiğini ve sinyallerin hücre içinde nasıl aktığını kontrol edebilir. Yine de proteinlerin sıkça gördüğümüz görüntüleri genellikle tek bir “anlık” yapıyı gösterir ve aslında var olan zengin şekil topluluğunu kaçırır. Bu makale, belirli bir protein için hızla birçok gerçekçi şekil üretebilen Mac-Diff adında bir yapay zeka yöntemini tanıtıyor; böylece bilim insanları bir proteinin nasıl göründüğünü değil, nasıl soluyup hareket ettiğini de görebiliyor.

Tek bir anlık görüntüden hareketli topluluklara

On yıllardır araştırmacılar protein hareketini keşfetmek için uzun ve zahmetli deneylere veya uzun süreli moleküler dinamik simülasyonlarına dayanıyor; bunların her ikisi de yavaş ve pahalı olabilir. AlphaFold2 gibi atılım niteliğindeki araçlar artık bir proteinin amino asit dizisinden en olası 3B yapısını doğrudan tahmin ediyor, ancak genellikle sadece bir veya birkaç tercih edilen şekil döndürüyor. Özellikle sinyal iletimi ve allosterik düzenlemede rol oynayan birçok protein doğal olarak birden çok, gevşekçe tanımlanmış durumda bulunur. Yazarlar, bu tür proteinlerin gerçekte nasıl çalıştığını anlamak ve daha az belirgin, geçici formlara bağlanan ilaçlar tasarlamak için tek bir en iyi tahminden ziyade olası konformasyonların tamamını üretebilecek bir yönteme ihtiyaç olduğunu savunuyor.

Protein hareketine yönelik bir yapay zeka “difüzyon” yaklaşımı

Mac-Diff, görüntü sentezinde son atılımları sağlayan bir yapay zeka sınıfı olan difüzyon tarzı üretici modeli kullanarak bu zorluğu ele alıyor. Fotoğrafları gürültüsüzleştirmek yerine, Mac-Diff protein omurgalarının soyut geometrik tanımlarının gürültüsünü azaltıyor. Model, bir proteini kalıntıları (rezidüleri) arasındaki çift yönlü ilişkilerin—tüm molekülün nasıl döndürüldüğüne veya taşındığına duyarsız olan mesafe ve açılar—bir ızgarası olarak temsil ediyor. İleri adımda sistem bu geometrik desenlere kademeli olarak gürültü ekliyor ve bunlar rastgele statiklere benzer hale gelene kadar ilerliyor. Geri adımda ise amino asit dizisi tarafından yönlendirilen, gürültüyü adım adım kaldırmayı öğreniyor; böylece tutarlı 3B-uyumlu geometriler yeniden ortaya çıkıyor ve standart yapı oluşturma yazılımlarıyla tam atomik modellere dönüştürülebiliyor.

Dizinin yapıyla yerel düzeyde konuşmasına izin vermek

Önemli bir yenilik, Mac-Diff’in doğrusal bir rezidü dizisini 3B komşularıyla nasıl bağladığında yatıyor. Metinten-görüntüye modellerde olduğu gibi her rezidünün her diğer rezidüye dikkat etmesine izin vermek önemli fiziksel kısıtları bulanıklaştırır. Bunun yerine yazarlar, her rezidünün etkileşim ortaklarının küçük, olası bir komşuluk bölgesine odaklanmasını sağlayan "yerellik-bilinçli" bir dikkat mekanizması tanıtıyor. Bu komşulukları tahmin etmek için Mac-Diff üç bileşen kullanıyor: her rezidünün biyokimyasal bağlamını kodlayan ESM-2 adında bir protein dil modeli; hangi rezidü çiftlerinin birbirine yakın olma olasılığını işaret eden bir temas haritası; ve zincir boyunca birbirine yakın rezidüleri tercih eden basit bir kural. Bu sinyaller birleştirilerek, gürültü giderme sırasında modelin fiziksel olarak olası ortaklardan gelen bilgileri öncelikli olarak kullanması sağlanıyor ve böylece gerçekçi, esnek yapıları yeniden inşa etme yeteneği keskinleşiyor.

Uzun simülasyonlara ve şekil değiştiren proteinlere karşı testler

Araştırmacılar Mac-Diff’i iki zorlu cephede test ettiler. Birincisi, hızlı katlanan proteinlerin uzun, dikkatlice hesaplanmış moleküler dinamik simülasyonlarında ve BPTI olarak bilinen klasik bir kıyas proteininde görülen şekil dağılımını yeniden üretebilip üretemeyeceğini sordular. Üretilen toplulukların simülasyon verileriyle istatistiksel özelliklerini karşılaştıran mesafe dağılımları ve genel kompaktlık gibi çeşitli ölçülerde Mac-Diff, rakip yapay zeka yöntemlerini yakaladı veya geçti ve aynı zamanda daha geniş bir konformasyon çeşitliliği üretti. Simülasyonlarda tanımlanan önemli “metastabil” durumların çoğunu yakaladı ve rezidü düzeyindeki esneklik desenlerini yüksek korelasyonla yeniden üretti; bu, topluluklarının hem küresel katlanmaları hem de yerel titreşimleri gerçekçi bir şekilde yansıttığını gösteriyor.

Gizli işlevsel durumları ortaya çıkarmak

İkincisi, ekip Mac-Diff’i görevlerini yaparken çok farklı şekillere bürünen proteinlerle test etti; bunlar arasında enerji metabolizması sırasında açık ve kapalı formlar arasında geçiş yapan adenilat kinaz enzimi ve her birinin iki deneysel olarak belirlenmiş konformasyonu olan özenle seçilmiş 40 protein yer aldı. Mac-Diff her protein için yalnızca 100 aday yapı üretti—tipik simülasyon yollarına kıyasla çok daha az—ancak yine de bilinen durumların çoğunu iyi geometrik uyumla geri kazandı. Örneğin adenilat kinazta açık ve kapalı konformasyonların her ikisini de kristal yapılara yüksek benzerlikle üretti; oysa birkaç popüler yöntem genellikle sadece bir durumu tercih etme eğilimindeydi. Model ayrıca karşılaştırılabilir donanımda geleneksel simülasyonlardan yaklaşık bin kat daha hızlı çalıştı ve şekil çeşitliliğinin sistematik keşfini çok daha pratik hale getirdi.

Bu biyoloji ve tıp için ne anlama geliyor

Günlük anlatımla Mac-Diff, bir proteinin dizisini tek bir portre yerine olası duruşların bir galerisine çeviriyor ve 3B’de hangi parçaların birbirini itme veya kavrama eğiliminde olduğunu dikkate alıyor. Bu toplulukları doğru ve verimli bir şekilde örnekleyerek yöntem, şekil değişimlerinin işlevi nasıl temellendirdiğini incelemek, nadir ama önemli konformasyonları tespit etmek ve yalnızca geçici durumlarda ortaya çıkan ilaç bağlama ceplerini aramak için bir yol sunuyor. Henüz simülasyonların sağladığı tam zaman sıralı filmleri yakalamıyor olsa da, Mac-Diff proteinlerin dinamik manzarasını çok daha fazla sistem için erişilebilir kılıyor ve yapısal biyoloji, ilaç tasarımı ve protein mühendisliğinde yeni içgörüler vaat ediyor.

Atıf: Wang, B., Wang, C., Chen, J. et al. Conditional diffusion with locality-aware modal alignment for generating diverse protein conformational ensembles. Nat Mach Intell 8, 415–434 (2026). https://doi.org/10.1038/s42256-026-01198-9

Anahtar kelimeler: protein dinamiği, difüzyon modelleri, konformasyonel topluluklar, allosterik proteinler, ilaç keşfi