Proteinlerin tıbbi ve endüstriyel kullanımı, performanslarını artırmak için genellikle uzun ve zahmetli deneyler gerektirir. Bilim insanları, bir proteinin amino asitlerini değiştirmek suretiyle fonksiyonlarını iyileştirmeye çalışırken, her değişikliğin sonraki değişikliklerin etkisini de değiştirmesi süreci karmaşık hale getirir. İşte bu soruna çözüm sunan yeni bir makine öğrenmesi yöntemi olan MULTI-evolve, protein tasarım sürecini devrimsel biçimde hızlandırıyor ve etkili proteinleri tek seferde tespit edebiliyor.
MULTI-evolve, laboratuvar deneylerinin ve yapay zekâ algoritmalarının birleşimiyle proteinlerdeki çoklu amino asit değişimlerinin sonuçlarını önceden tahmin ediyor. Araştırmada, bu yöntem sayesinde protein tasarımında birçok denemeye gerek kalmadan, birden fazla mutasyonun birlikte nasıl davranacağı ortaya kondu. Araştırmacılar, bu yöntemi kullanarak üç farklı protein üzerinde testler yaptı; bunlar arasında otoimmün hastalıklarla bağlantılı bir antikor ve gen düzenleme teknolojisinde kullanılan önemli bir protein de vardı.
Yeni yöntemin çalışma mantığı, öncelikle proteinlerdeki tekil amino asit değişikliklerinin etkilerinin tahmin edilmesi üzerine kurulu. Sonrasında laboratuvar ortamında çiftli mutasyonlara sahip proteinler üretilip performansları test edildi. Elde edilen veriler, makine öğrenmesi modelinin eğitilmesi için kullanıldı ve ardından model, beş veya daha fazla mutasyon içeren proteinlerin nasıl çalışacağını tahmin etti. Bu sayede, hangi mutasyon kombinasyonlarının bir arada en iyi performansı vereceği hızlı ve doğru bir biçimde ortaya çıkarıldı.
Bilim dünyasında protein mühendisliği, kullanılan amino asitlerin kaçınılmaz etkileri nedeniyle genellikle deneme-yanılma sürecine dayanıyor. Ancak MULTI-evolve, bu süreci optimize ederek araştırmacıların zamandan ve kaynaklardan tasarruf etmesini sağlıyor. Özellikle gen tedavilerinde veya hücre içi hareketlerin takibinde kullanılabilecek bu yöntem, proteinlerin çok boyutlu yapısal karmaşıklığını daha etkili şekilde analiz edebiliyor.
Protein tasarımı sırasında karşılaşılan zorluklardan biri, amino asitler arasındaki etkileşimlerin karmaşık ve öngörülemez olmasıdır. MULTI-evolve, bu interaksiyonları deneysel veriler ve hesaplamalı analizlerle beraber değerlendirerek birden fazla değişikliğin birbirini nasıl etkilediğini ortaya koyuyor. Böylece, verimliliği yüksek olan mutasyon kombinasyonları hızla belirlenebiliyor ve laboratuvar testleri de azalarak, geliştirme süreci çok daha hızlı ilerliyor.
Gelecekte, MULTI-evolve gibi yöntemlerin kullanımı protein mühendisliği ve biyoteknoloji alanlarında önemli ilerlemelere öncülük edecek. Daha etkili ilaçların geliştirilmesi, biyoyakıt üretiminin optimize edilmesi ve hastalık tedavisinde genetik çözümler sunulması bu teknolojinin vaatleri arasında yer alıyor. Araştırmanın liderlerinden biri olan Patrick Hsu, bu yeniliğin bilimsel araştırma yöntemlerini kökten değiştirebileceğini ve özellikle karmaşık biyolojik sistemlerin anlaşılmasında yeni ufuklar açacağını belirtiyor.
Sonuç olarak, MULTI-evolve proteindeki çoklu mutasyonların etkilerini tahmin ederek araştırma süreçlerini hızlandırıyor ve maliyetleri düşürüyor. Bu teknoloji, biyoloji ve tıp alanlarında kullanıcıların çok daha kısa sürede ve daha güvenilir sonuçlar almasına olanak tanırken, geleceğin biyoteknolojik keşiflerinin temelini atıyor.
📎 Kaynak: sciencenews.org
