Raygun: Yapay zekâ, proteinleri “evrim ölçeğinde” yeniden tasarlayıp işlevi korumayı hedefliyor

Duke University School of Medicine araştırmacıları, proteinleri hızlı ve ölçekli biçimde yeniden tasarlamayı amaçlayan yeni bir yapay zekâ çerçevesi geliştirdi. Raygun adı verilen sistem, protein mühendisliğinde sıklıkla karşılaşılan “ya baştan tasarlama ya da sınırlı değişiklik yapma” yaklaşımının ötesine geçmeyi hedefliyor. Raygun’un üretebildiği varyantlar yalnızca amino asit dizisini kısaltıp uzatmakla kalmıyor; aynı zamanda yapısal ve işlevsel özelliklerin korunmasını gözeterek daha kapsamlı modifikasyonlar da içerebiliyor.

Raygun’un temelinde, büyük veri kümeleri üzerinde eğitilmiş protein dil modelleri bulunuyor. Bu modeller, milyonlarca protein dizisini inceleyerek amino asitlerin diziliminde yer alan istatistiksel örüntülerin üç boyutlu katlanma ve biyolojik aktiviteyle nasıl bağlantı kurduğunu öğreniyor. Bu sayede model, protein dizisi ile işlev arasında çalışan bir tür “çevirmene” benzetilebilecek bir rol üstleniyor; girdi olarak verilen dizi bilgisinden, istenen hedefe uygun olabilecek yeni sekans tasarımlarına yöneliyor.

Çerçevenin dikkat çekici tarafı ise Raygun’un proteinleri nasıl temsil ettiği. Proteinler genellikle değişken uzunlukta diziler olarak ele alınır; ancak Raygun, bu yaklaşımı daha standartlaştırılmış bir temsile dönüştürerek tasarım sürecine farklı bir bakış getiriyor. Kaynakta belirtilen bu yenilik, modelin farklı uzunluklara sahip protein varyantlarını üretmesini ve aynı zamanda “kilit” yapısal ve fonksiyonel özellikleri muhafaza etmeyi amaçlayan tasarımlar geliştirmesini kolaylaştıran bir mekanizma olarak sunuluyor.

Protein mühendisliğinde en büyük zorluklardan biri, dizide yapılan değişikliklerin yalnızca hedeflenen etkiyi yaratmakla kalmayıp aynı zamanda katlanma stabilitesini, doğru üç boyutlu yerleşimi ve biyolojik etkileşimleri de bozabilmesidir. Başka bir ifadeyle, sekans düzeyindeki küçük müdahaleler bile beklenmedik sonuçlar doğurabilir. Duke ekibinin Raygun ile ortaya koyduğu yaklaşım, değişikliğin kapsamını artırmayı planlarken bu tür istenmeyen sapmaları azaltmayı hedefleyen bir tasarım zemini kuruyor.