MULTI-evolve adlı yeni yapay zeka çerçevesi, birden çok etkileşimli mutasyonun protein işlevine etkisini tek bir test turunda tahmin ediyor. Araştırma, modelin antikor ve CRISPR ile ilişkili bir proteinde daha iyi mutasyon kombinasyonları bulduğunu gösterdi.
Bilim insanları genellikle bir proteini geliştirmek istediğinde ardışık, çok sayıda değişiklik ve laboratuvar testi yapmak zorunda kalır. Yeni bir çalışma, bu döngüyü kısaltmak için laboratuvar verilerini ve makine öğrenmesini birleştiren bir çerçeve öneriyor. MULTI-evolve adlı teknik, bir proteindeki birden fazla karşılıklı etkileşimli değişikliğin (mutasyonun) nasıl bir arada çalışacağını tahmin edebiliyor.
MULTI-evolve ve protein etkileşimleri
MULTI-evolve üç ana adımda işliyor. Önce tek tek amino asit değişikliklerinin etkileri hakkında önceki veriler veya tahmin modelleri kullanılıyor. İkinci adımda, laboratuvarda bu tek değişikliklerden seçilen çiftleri üretip test ederek mutasyonlar arasındaki etkileşim (epistazis) hakkında doğrudan veri elde ediliyor. Son olarak bu deneysel veriyle bir makine öğrenmesi modeli eğitiliyor ve model beş veya daha fazla mutasyon içeren varyantların işlevini tahmin etmek için kullanılıyor.
Ekibin sunduğu örneklerde MULTI-evolve, üç farklı proteinde denendi; bunların arasında otoimmün hastalıklarla ilişkili bir antikor ile CRISPR gen düzenleme araçlarında kullanılan bir protein yer aldı. Her üçünde de modelin öne çıkardığı bazı mutasyon kombinasyonları laboratuvarda orijinal proteinden daha iyi performans gösterdi. Berkeley ve Arc Institute’dan biyomühendis Patrick Hsu, yaklaşımın protein mühendisliğini pratikte değiştirme potansiyelinin yüksek olduğunu belirtiyor.
Bu yöntem, hücre içi izleme için daha iyi işaretleyici proteinler ya da eksik enzimleri tamamlamak üzere geliştirilen gen terapileri gibi uygulamalarda zaman ve kaynak tasarrufu sağlayabilir. Yine de makine öğrenmesi tahminlerinin laboratuvarda doğrulanması gerekiyor; MULTI-evolve, bu doğrulamaları daha etkili hâle getirmeyi amaçlıyor.
Kaynak notu: Çalışma V. Q. Tran ve ark., Science, 19 Şubat 2026. (Makaledeki sonuçlar, hâlâ laboratuvar doğrulamalarına dayalıdır ve uygulama alanlarına göre ek testler gerektirebilir.)
Kaynaklar ve Bağlantılar:
- Tran VQ et al., Rapid directed evolution guided by protein language models and epistatic interactions. Science, 19 Feb 2026. DOI: http://www.science.org/doi/10.1126/science.aea1820
- Orijinal haber: Science News, “Machine learning streamlines the complexities of making better proteins” — https://www.sciencenews.org/article/machine-learning-better-proteins
Bir Cevap Bırakın