Almanya ve ABD'deki bilim insanları, Google'ın DeepMind'ı tarafından geliştirilen yapay zeka (AI) sistemi AlphaFold'u kullanarak, bir proteinde şimdiye kadar bulunan topolojik açıdan en karmaşık düğümü tahmin ettiler. AlphaFold tarafından üretilen verilerin tam analizi, proteinlerdeki ilk bileşik düğümleri de ortaya çıkardı: aynı dizide iki ayrı düğüm içeren topolojik yapılar. Keşfedilen protein düğümleri deneysel olarak yeniden oluşturulabilirse, bu, AlphaFold tarafından yapılan tahminlerin doğruluğunun doğrulanmasına hizmet edecektir.
Proteinler karmaşık topolojik yapılar oluşturacak şekilde katlanabilir. Bunlardan en ilgi çekici olanı protein düğümleridir; protein her iki uçtan çekildiğinde çözülmeyecek şekillerdir. Peter VirnauJohannes Gutenberg Üniversitesi Mainz'da teorik fizikçi olan şunları söylüyor: Fizik dünyası Şu anda bilinen yaklaşık 20 ila 30 düğümlü proteinin bulunduğunu. Virnau, bu yapıların nasıl katlandıkları ve neden var oldukları konusunda ilginç soruları gündeme getirdiğini açıklıyor.
Bir proteinin şekli işleviyle yakından bağlantılı olabilir, ancak protein düğümlerinin işlevi ve amacı hakkında birkaç teori olsa da bunları destekleyecek çok az somut kanıt vardır. Virnau, örneğin termal dalgalanmalara karşı özellikle dirençli olmaları nedeniyle proteinlerin stabil kalmasına yardımcı olabileceklerini söylüyor ancak bunlar ucu açık sorular. Protein düğümleri nadir olmakla birlikte, aynı zamanda evrim tarafından yüksek oranda korunmuş gibi görünmektedir.
Virnau, "Örneğin, mayada düğümlü bir protein mevcutsa, bunun insanlarda karşılık gelen proteinde de düğümlü olma olasılığı yüksektir" diye açıklıyor. “Yani bunlar yüz milyonlarca yıldır var olan yapılar.”
Protein düğümü araştırmalarında uzun süredir devam eden bir sorun, protein düğümlerinin bulunması ve tanımlanmasıdır. Karmaşık protein yapıları laboratuvarda deneysel olarak belirlenmiş olsa da, bu zorlayıcı ve zaman alıcı olabilir. Son zamanlarda DeepMind olarak bilinen bir yapay zeka sistemi geliştirdi. AlfaKatlama protein yapılarını inanılmaz hız ve hassasiyetle tahmin edebildiğini iddia ediyor. Derin öğrenme sistemi, bilinen proteinler ve bunların amino asit dizilerinden oluşan geniş bir veri tabanı üzerinde çalışır. Proteinlerin üç boyutlu yapılarını tahmin etmek için bu dizileri ve amino asitlerin birincil yapısına ilişkin bilgileri kullanır. Eğitimi protein yapılarının evrimsel, fiziksel ve geometrik kısıtlamalarına dayanmaktadır.
AlphaFold, çoğu henüz kataloglanmamış olan birkaç yüz bin protein yapısını öngördü. Yayınlanan bu son çalışmada Protein BilimiVirnau ve meslektaşları daha önce bilinmeyen karmaşık protein düğümlerini bulmak için AlphaFold'un veri bankasını aradılar. Dokuz yeni düğüm keşfettiler. Buna ilk 7 de dahil1-düğüm – şimdiye kadar bir proteinde bulunan topolojik açıdan en karmaşık düğüm olan yedi geçiş noktasına sahip bir düğüm.
Araştırmacılar ayrıca altı geçişli birkaç kompozit düğüm buldular. Bunların her biri, üç geçişli düğümler olan iki yonca düğüm içerir. Ayrıca, beş temel geçişe sahip, önceden bilinmeyen iki düğüm keşfettiler;1-düğüm ve 52-düğüm.
Ekip şimdi biyokimyacıyla çalışıyor Todd Yeates, California Los Angeles Üniversitesi'nde, tahmin edilen topolojik yapıları oluşturduklarını doğrulamak için AlphaFold tarafından tanımlanan proteinleri deneysel olarak oluşturmak. Virnau, "Bu yapıları deneysel olarak doğrulayabileceğimizden oldukça eminim" diyor.
Kuantum yaklaşımı daha hızlı protein katlanmasını ortaya koyuyor
Eğer bu topolojik açıdan zorlayıcı yapılar deneysel olarak oluşturulabilirse, AlphaFold'un beklendiği gibi çalıştığını gösterecek ve daha az karmaşık protein şekillerine ilişkin tahminlerinde güven sağlayacaktır. Virnau, "Protein düğümleri bunun yalnızca küçük bir yönü olabilir, ancak yine de bu araçların genel olarak doğrulanması işlevi görebilir" diye açıklıyor.
Gelecekte bu yapay zeka araçlarını protein mühendisliği için kullanmak mümkün olabilir. Proteinler, onlara belirli görevler için işlevsellik sağlayan düğümler ve diğer karmaşık yapıları içerecek şekilde tasarlanabilir, ancak bu en az birkaç yıl uzakta.
