DeepMind ekibi CASP kazandı: Protein yapısını tahmin etmek için AlphaFold'u kullanıyor
Leifeng.com AI teknolojisi inceleme notu: 2016 ve 2017'de, Google'ın DeepMind ekibi AlphaGo'nun araştırma sonuçlarının teknoloji topluluğunun hak ettiği odak noktası olduğu söylenebilir. AlphaGo, 2016 yılında Go'nun dünya şampiyonu ve 9 dan profesyonel bir satranç oyuncusu olan Lee Sedol'u üstün performansla yendi ve ardından Çin, Japonya ve Güney Kore'den düzinelerce Go ustasıyla üst üste 60 rauntta tek bir yenilgi olmadan hızlı düellolar yaptı. Mayıs 2017'de AlphaGo, dünyanın 1 numaralı Go şampiyonu Ke Jie'yi toplamda 3'e 0 puanla yendi. Go dünyası, Alpha Go'nun satranç gücünün profesyonel insan Go'nun en üst düzeyini aştığını kabul ediyor.
Ancak DeepMind ekibinin nihai amacı oyun yapmak değil, yapay zeka yöntemlerini kullanmanın insanların temel bilimin ilerlemesine yardımcı olabileceğini umuyorlar. Son zamanlarda ekip, bir proteinin 3 boyutlu yapısını yalnızca proteinin genetik dizisine dayanarak tahmin etmek için bir yöntem keşfetti. Leifeng.com AI Technology Review aşağıdaki gibi derlenmiştir.
Bugün, DeepMind'ın yapay zeka araştırmalarının yeni bilimsel keşifleri nasıl teşvik edebileceğini ve hızlandırabileceğini göstermedeki ilk önemli kilometre taşını sizlerle paylaşmaktan büyük heyecan duyuyoruz. DeepMind, güçlü bir disiplinler arası yaklaşımla yapısal biyoloji, fizik ve makine öğrenimi alanlarındaki uzmanları bir araya getirir ve yalnızca proteinin genetik sırasına dayalı olarak bir proteinin 3B yapısını tahmin etmek için en son teknolojiyi kullanır.
Sistemimiz AlphaFold, son iki yıldır onu incelemek için çok çalışıyoruz.Yıllar önce protein yapısını tahmin etmek için büyük miktarda genomik veri kullanan araştırmaya dayanıyor. AlphaFold tarafından üretilen proteinin 3B modeli, önceki modellerden çok daha doğrudur, bu da, bu temel biyolojik mücadelede önemli ilerleme kaydedildiği anlamına gelir.
Protein katlanma sorunu nedir?
Proteinler, yaşam için gerekli olan karmaşık makromoleküllerdir. Vücudumuzu kasan kaslarımızın, ışığı algılayan veya yiyeceği enerjiye dönüştüren hemen hemen her işlevi bir veya daha fazla proteine ve bunların nasıl hareket edip dönüştüğüne kadar izlenebilir. Bu proteinleri yapmak için tarifler, genler, DNA'mızda kodlanmıştır.
Her bir proteinin ne yapabileceği, benzersiz üç boyutlu yapısına bağlıdır. Örneğin, bağışıklık sistemimizi oluşturan antikor proteinleri, benzersiz kancalara benzer şekilde "Y şeklindedir". Antikor proteinleri, virüsleri ve bakterileri hedefleyerek, onları yok etmek için patojenik mikroorganizmaları tespit edebilir ve etiketleyebilir. Benzer şekilde, kollajen kıkırdak, bağlar, kemikler ve cilt arasındaki gerilimi ileten ip gibidir. Diğer protein türleri arasında DNA'yı makas gibi kesip yapıştırabilen CRISPR ve CAS9; 3D yapısı buz kristallerine bağlanmalarına ve organizmaların donmasını engellemelerine izin veren antifriz proteinleri; ribozomlar, kendilerine yardımcı olacak programlanmış bir montaj hattı gibidir. Protein oluşturun.
Ancak bir proteinin 3 boyutlu şeklini yalnızca proteinin gen dizilimine dayanarak bulmak karmaşık bir iştir ve bilim adamları on yıllardır bunun için savaşıyorlar. Buradaki zorluk, DNA'nın yalnızca bu proteinin uzun zincirler oluşturan amino asit kalıntılarının dizisi hakkında bilgi içermesidir. Bu uzun zincirlerin karmaşık 3 boyutlu protein yapılarına nasıl katlandığını tahmin etmek, sözde "protein katlanma sorunu" dur.
Protein ne kadar büyükse, model o kadar karmaşık ve zordur, çünkü amino asitler arasındaki daha fazla etkileşimin dikkate alınması gerekir. Leventhalın paradoksunun işaret ettiği gibi, doğru 3B yapı elde edilmeden önce tipik bir proteinin tüm olası konfigürasyonlarını saymak evrenin yaşından daha uzun sürer.
Protein katlanması neden önemlidir?
Bir proteinin şeklini tahmin etme yeteneği bilim adamları için faydalıdır çünkü vücuttaki rolünü anlamak, Alzheimer ve Parkinson gibi proteinin yanlış katlanmasının neden olduğuna inanılan hastalıkların teşhisi ve tedavisi için gereklidir. Hastalık, Huntington hastalığı ve kistik fibroz. Bilim insanlarının hastalıklar için yeni ve daha etkili tedaviler tasarlamasını sağlayabilecek vücut anlayışımızı ve nasıl çalıştığını nasıl geliştirdiğiyle özellikle ilgileniyoruz. Proteinlerin şekli ve nasıl çalıştıkları hakkında simülasyonlar ve modeller aracılığıyla daha fazla bilgi edinebiliriz.Bu, ilaç keşfi için yeni potansiyeller açar ve deneylerle ilişkili maliyetleri azaltır. Bu, nihayetinde dünya çapında milyonlarca hastanın yaşam kalitesini artırabilir.
Protein katlanmasının anlaşılması, protein tasarımına da yardımcı olur ve bu da birçok fayda sağlayabilir. Örneğin, biyolojik olarak parçalanabilen enzimler, plastikler ve petrol gibi kirleticilerle başa çıkmaya yardımcı olmak ve atıkları çevre dostu bir şekilde parçalamamıza yardımcı olmak için protein tasarımı yoluyla gerçekleştirilebilir. Aslında, araştırmacılar bakterileri protein salgılayacak şekilde tasarlamaya başladılar, bu da atıkları biyolojik olarak parçalanabilir ve işlenmesini kolaylaştırdı. Tahmin doğruluğunu iyileştirmek için en son yöntemlerin araştırma ve ölçüm sürecini teşvik etmek amacıyla, 1994 yılında, Protein Yapısı Tahmin için Tekniklerin Kritik Değerlendirmesi Üzerine Topluluk Çapında Deney (CASP) adlı iki yılda bir küresel bir yarışma kuruldu ve Değerlendirme teknolojisi için altın standart.
AI değişimi nasıl sağlar?
Son 50 yılda bilim adamları, laboratuvardaki proteinlerin şeklini belirlemek için kriyo-elektron mikroskobu, nükleer manyetik rezonans veya X-ışını kristalografisi gibi deneysel teknikleri kullanabildiler, ancak her yöntem çok sayıda deneme ve hataya dayanıyor. Birkaç yıl sürebilir ve her yapı çok paraya mal olur. Biyologların bu uzun ve zahmetli karmaşık proteinleri tespit etme sürecinin yerini almak için yapay zeka yöntemlerine yönelmesinin nedeni budur.
Neyse ki, gen dizilemesinin maliyetindeki hızlı düşüş nedeniyle, genomik alanı veri açısından çok zengindir. Bu nedenle, genomik verilere dayalı derin öğrenme yöntemleri son yıllarda giderek daha popüler hale geldi. Geçtiğimiz yıllarda DeepMind araştırmamızın bir sonucu olan AlphaFold'u bu yıl CASP'ye sunduk. CASP organizatörlerinin "hesaplama yöntemlerinin protein yapısını tahmin etme yeteneğinde benzeri görülmemiş bir ilerleme" dedikleri şeyin bir parçası olmaktan ve seçilen ekipler arasında birinci sırada olmaktan gurur duyuyoruz (kod adımız A7D).
Ekibimiz, önceden oluşturulmuş protein yapılarını şablon olarak kullanmak yerine, hedef şekli sıfırdan modelleme sorununa özel önem veriyor. Protein yapısının fiziksel özelliklerini tahmin ederken, yüksek derecede doğruluk elde ettik ve ardından tüm protein yapısının tahminini oluşturmak için iki farklı yöntem kullandık.
Fiziksel özellikleri tahmin etmek için sinir ağlarını kullanın
Her iki yöntem de, proteinlerin özelliklerini genetik dizilerinden tahmin etmek için eğitilmiş derin sinir ağlarına dayanır. Ağımızın öngördüğü özellikler şunlardır: (a) amino asit çiftleri arasındaki mesafe ve (b) bu amino asitleri bağlayan kimyasal bağlar arasındaki açı. İlk gelişme, amino asit çiftlerinin birbirine yakın olup olmadığını değerlendirmek için yaygın olarak kullanılan tekniklerin geliştirilmesidir.
Proteindeki her bir kalıntı çifti arasındaki mesafenin bağımsız dağılımını tahmin etmek için bir sinir ağı eğitiyoruz. Bu olasılıklar daha sonra, yapılandırılan protein yapısının ne kadar doğru olduğunu tahmin etmek için bir skorda birleştirilir. Ayrıca, inşa edilen yapının doğru cevaba ne kadar yakın olduğunu tahmin etmek için tüm mesafeleri kullanan ayrı bir sinir ağı da eğittik.
Protein yapısı tahmini için yeni bir yöntem oluşturun
Bu puanlama fonksiyonlarını kullanarak protein şekillerini arayabilir ve tahminlerimizi karşılayan yapılar bulabiliriz. İlk yöntemimiz, yapısal biyolojide yaygın olarak kullanılan tekniklere dayanır ve protein yapısının parçalarını tekrar tekrar yeni protein parçalarıyla değiştirir. Önerilen protein yapısının puanını sürekli olarak iyileştirmek için kullanılan yeni fragmanları icat etmek için üretken bir sinir ağı eğitiyoruz.
İkinci yöntem, puanları optimize etmek için gradyan inişini kullanır. Gradyan inişi, yüksek hassasiyetli yapılar oluşturmak için küçük, artımlı iyileştirmeler yapmak için makine öğreniminde yaygın olarak kullanılan bir matematiksel tekniktir. Bu teknik, montajdan önce ayrı ayrı katlanması gereken parçalar yerine tüm protein zincirine uygulanır ve böylece tahmin sürecinin karmaşıklığını azaltır.
Bundan sonra ne olacak?
Protein katlamanın başarısına yönelik ilk girişimimiz, makine öğrenimi sistemlerinin bilim insanlarının karmaşık sorunlara hızlı bir şekilde yaratıcı çözümler bulmasına yardımcı olmak için çeşitli bilgi kaynaklarını nasıl entegre edebileceğini gösterdi. Yapay zekanın AlphaGo ve AlphaZero gibi sistemler aracılığıyla insanlara karmaşık oyunlarda ustalaşmasına nasıl yardımcı olabileceğini gördüğümüz gibi, bir gün yapay zeka alanındaki atılımların da temel bilimsel problemlerde ustalaşmamıza yardımcı olacağını umuyoruz.
Protein katlanmasının ilerlemesinin bu erken belirtileri, yapay zekanın bilimsel keşiflerdeki faydasını kanıtlıyor ki bu çok heyecan verici. Hastalıkların tedavisi ve çevrenin yönetimi üzerinde nicel bir etkiye sahip olmadan önce yapmamız gereken daha çok iş olmasına rağmen, potansiyelin çok büyük olduğunu biliyoruz. Makine öğreniminin bilimsel ilerlemeyi nasıl destekleyebileceğini incelemeye kendini adamış özel bir ekibimiz var ve teknolojimizin daha fazla değişiklik getirebileceğini görmek için sabırsızlanıyoruz.
Lei Feng
