PACE ile evrim hızlandırmada yapay zekâ “başlangıç noktası” etkisi Nature’da gösterildi

Yeni bir Nature çalışması, yapay zekâ tarafından yeniden tasarlanmış proteinlerin evrimsel süreçte hangi adımların “mükâfatlandırılacağını” değiştirebildiğini göstererek protein mühendisliği alanında temel bir fikri test ediyor. Araştırmacılar, AI destekli protein yeniden tasarımlarını yalnızca nihai hedef olarak değil, laboratuvarda hızlı varyant arayışını yönlendiren bir başlangıç zemini olarak konumlandırıyor. Sonuçlar, iyi işleyen bir varyant bulma sürecinin yalnızca hedef enzimin kendisine değil, evrim denemesine girişteki moleküler durumuna da bağlı olabileceğini işaret ediyor.

Çalışmanın omurgasında PACE (phage-assisted continuous evolution) adı verilen ve seçilim baskılarını deneysel olarak kontrol edebilen bir evrim platformu var. Bu sistemde araştırmacılar, botulinum nörotoksiniyle ilişkili bir proteaz olan BoNT/E’yi, seçilim koşullarına yanıt verecek şekilde evrimleştiriyor. Ancak proje, standart “vahşi tip” (WT) enzimin takibini yapmanın ötesine geçiyor: Yapay zekâyla üretilen farklı yeniden tasarımların, evrim sırasında hangi mutasyonların bir avantaj sağlayıp sağlamadığını etkileyip etkilemediği sorusu araştırmanın merkezinde yer alıyor.

Bilimsel problem, protein yeniden tasarımlarında sıklıkla görülen bir trade-off’tan kaynaklanıyor. Çok sayıda yeniden tasarım yaklaşımı, proteini daha kararlı hale getirerek hatalı katlanmayı ve dayanımı artırabilir; fakat bu stabilite kazanımı, enzimin katalitik performansını düşürme eğiliminde olabilir. Bu nedenle araştırmacılar, “yüksek stabiliteye sahip ama kinetik açıdan zayıf” bir başlangıç taşıyan bir proteazın, yine de PACE evrimi sırasında WT’nin önüne geçip geçemeyeceğini test ediyor.

Deneylerde başlangıç örneği olarak ProteinMPNN redesign D4 kullanılıyor. D4, ilk aşamada hücre/konak sisteminde iyi bir şekilde ifade ediliyor; ancak substratı kesme hızı WT’ye kıyasla yaklaşık 20 kat daha yavaş. Buna karşın D4’ün erime sıcaklığının (melting temperature) daha yüksek olması, tasarımın stabiliteyi artırdığını düşündürüyor. Yani yeniden tasarım, “daha az iş yapan ama daha dayanıklı” bir protein prototipi sunuyor. Araştırmacıların temel merakı ise bu kinetik darboğazın evrimle aşılıp aşılmayacağı ve hangi rotanın tercih edileceği.

Çalışmanın yaklaşımı, PACE boyunca seçilim baskısının, mutasyonların etkisini nasıl şekillendirdiğini incelemeye dayanıyor. Eğer belirli bir başlangıç proteininin yapısal özellikleri, potansiyel mutasyonların erişilebilirliğini ve etkisini değiştiriyorsa, bu durum fitness peyzajında ölçülebilir farklılıklara yol açabilir. Başka bir deyişle, aynı genetik alan içinde bile farklı başlangıçlar, evrimin “doğru” mutasyonlara daha hızlı ulaşmasını sağlayabilir ya da tersine daha uzun süreler gerektirebilir.

Bu çerçevede araştırmacılar, AI yeniden tasarımlarının yalnızca enzim aktivitesini başlangıçta nasıl etkilediğini değil, evrim sürecinde hangi mutasyon sınıflarının faydalı hale geldiğini de karşılaştırıyor. Elde edilen gözlemler, yeniden tasarımın evrimsel kuralları otomatik olarak kilitlemediğini, fakat bazı mutasyonların başarı olasılığını artırarak başlangıç koşullarını “hızlandırıcı bir konuma” taşıyabildiğini vurguluyor. D4 örneği özelinde, kinetik olarak zayıf olmasına rağmen evrimle kazanım elde edilebiliyorsa, bu durum stabiliteyi hedefleyen tasarımların “mutlak bir engel” değil, doğru seçilim düzeniyle birlikte daha verimli keşif pencereleri açabilen bir zemin olabileceğini gösterir.

Makalenin verdiği mesaj, protein evrimini yeniden tasarım stratejisinden ayrı düşünmenin sınırlı kalabileceği yönünde. AI tabanlı yeniden tasarımlar, yalnızca nihai hedefe götürmek yerine, PACE gibi deneysel evrim sistemlerinde arama uzayını yeniden şekillendirerek yüksek işlevli enzim varyantlarını daha hızlı bulmaya yardımcı bir “boosted starting point” işlevi görebilir. Bu yaklaşım, proteinlerin evrilebilirliğinin (evolvability) çevresel/deneysel koşullarla birlikte ele alınması gerektiğini; fitness peyzajlarının da başlangıç noktalarına duyarlı olabileceğini güçlendiriyor.

BoNT/E proteazı gibi biyomedikal açıdan hassas bir hedef üzerinde yapılan bu çalışma, laboratuvarda kontrollü evrim ile AI tasarımlarını aynı çerçevede birleştirmenin potansiyelini bilimsel olarak test ediyor. Önümüzdeki adımlar, hangi yeniden tasarım özelliklerinin evrimsel rotaları en iyi şekilde değiştirdiğini daha sistematik biçimde anlamaya ve farklı enzim sınıflarında benzer “başlangıç zeminleri”nin ne ölçüde genellenebileceğini araştırmaya odaklanabilir.