İçindekiler
Google DeepMind, ajanik geliştirme platformu Google Antigravity'nin biyoloji laboratuvarlarında nasıl kullanıldığını gösteren bir teknik yürüyüş yayınladı. Şirkete göre araştırmacılar, Antigravity içinde tek bir oturumda milyonlarca proteini tarayarak solunum yolu enfeksiyonlarında rol oynayan patojenlere karşı etkili olabilecek yeni bir antimikrobiyal peptit (AMP) adayı buldu. Bulunan aday, birkaç benzeriyle birlikte artık ıslak laboratuvar doğrulamasında.
Antibiyotik direnci ve protein verisinin "karanlık maddesi"
Antimikrobiyal direnç, küresel sağlığın en kritik sorunlarından biri olarak gösteriliyor. DeepMind'ın paylaştığı tahmine göre bu sorun 2050 yılına kadar yılda 10 milyon ölüme yol açabilir. Antimikrobiyal peptitler, özellikle bakteriyosinler, klasik antibiyotiklere güçlü bir alternatif sunuyor: rakip bakterilerin hücre zarından hücre içi makineleşmeye kadar temel zayıf noktalarını hedefleyecek şekilde evrimleştikleri için patojenlerin direnç geliştirmesi zorlaşıyor.
Genom ve metagenom dizilemesinin hızlı büyümesi, veri tabanlarına milyarlarca doğal amino asit dizisi taşıdı. Nisin gibi dünyada yaygın kullanılan bakteriyosinler ve Darobactin, Dynobactin, Lariocidin gibi genom madenciliğiyle bulunan yeni moleküller bu havuzdan çıktı. Ancak dizilerin büyük bölümü hâlâ işlevi bilinmeyen, bilinen proteinlere benzemediği için etiketsiz kalmış "karanlık madde"de duruyor. UniProt veri tabanında işlevi tanımlanmamış milyonlarca dizi bulunuyor.
ProtNLM: amino asit dizisinden işlev tahmini
Bu boşluğu kapatmak için Google, protein dizilerinin altındaki evrimsel "grameri" doğrudan okumak üzere eğitilen derin öğrenme modeli ProtNLM'i geliştirdi. ProtNLM, ham protein dizisinden biyolojik işlevi tahmin ederek UniProt'ta adı olmayan milyonlarca kayda yüksek güvenli işlev etiketi ekliyor. Modelin kapsamı protein adları, işlev yorumları, hücre içi konumlar ve gen ontolojisi terimlerinin yanı sıra anahtar kelimeleri de içeriyor.
Ajan ve araştırmacı aynı masada: altı adımlık iş akışı
Yürüyüşte araştırmacı ile ajan, Streptococcus pseudopneumoniae içinde yeni antimikrobiyal peptitleri bulma ve hesaplamalı olarak doğrulama hedefiyle çok turlu bir oturuma başlıyor. Stratejiyi araştırmacı yönetiyor; veri tabanları arası sorguları, yapı analizini ve literatür sentezini ajan üstleniyor. İş akışının öne çıkan adımları şöyle:
- Adayın bulunması: Ajan veri tabanını sorgulayarak milyonlarca kaydı birkaç adaya indiriyor. Bulunan aday, Lactococcin 972 ailesinden 97 amino asitlik bir bakteriyosin (UniProt: A0A0U0D591).
- Yenilik doğrulaması: Aday, Swiss-Prot küratörlü bilgisi ve EMBL-EBI NCBI-BLAST servisi üzerinden inceleniyor; elle gözden geçirilmiş proteinler arasında anlamlı bir dizi homoloğu bulunmuyor.
- 3B yapı analizi: Ajan, adayın üç boyutlu modelini AlphaFold Protein Yapı Veritabanı'ndan alıp deneysel yapılarla karşılaştırıyor. Yapı kanıtı, ProtNLM tahminini destekleyerek katlanmanın deneysel bir bakteriyosine yakın olduğunu gösteriyor.
- Genomik komşuluk: Adayın komşu genleri incelendiğinde sıkı bağlı bir operonun 6 baz çifti önünde bir ABC taşıyıcı permeaz ile ATP bağlayıcı protein, ayrıca başka bir bakteriyosin ve bir XRE transkripsiyon düzenleyicisi görülüyor. Bu, molekülün çalışan bir bakteriyosin sisteminin parçası olduğuna dair güçlü bağlam kanıtı.
- Mekanizma hipotezi: Literatür taraması, molekülün bakteriyel hücre bölünmesini hedefleyebileceğini ve birden fazla ilaç dirençli patojene karşı etkili bir spektruma sahip olabileceğini öne sürüyor.
- Deney planı: Ajan, hesaplamalı bulguları protein ifadesi, antimikrobiyal duyarlılık testi, hedef bağlanma ve in vitro toksisite testlerini kapsayan uygulanabilir bir laboratuvar protokolüne çeviriyor.
Yeni araç: Biomoleküler Yapı Görüntüleyici
DeepMind, Antigravity içine gömülü 3B görselleştirme aracı Biomoleküler Yapı Görüntüleyici'yi de tanıttı. Araştırmacı ve ajan ortak bir görsel durum üzerinde çalışıyor; ajan AlphaFold veritabanından veya bilim insanının kendi tahminlerinden yapıları çekerken görüntüleyiciyi dinamik olarak yönlendirebiliyor ve hipotezini açıklamak için kritik bölgeleri vurgulayabiliyor. Etkileşim çift yönlü: araştırmacı 3B uzayda işaretlediği bir bölge için "Bu beta zinciri Lipid II bağlanmasını nasıl etkiler?" gibi bir soru sorabiliyor ve ajan tam o yapısal bağlamı değerlendiriyor.
Neden önemli?
Geçmişte benzer içgörülere ulaşmak için veri tabanlarını sorgulayan özel scriptler yazmak, dosyaları 3B modelleme programlarına elle aktarmak ve laboratuvar deneylerini tasarlamak üzere ayrı uzmanlarla çalışmak gerekiyordu. Islak laboratuvar doğrulaması hâlâ kaynak yoğun olduğu için baştan yalnızca en yüksek güvenli adaylara odaklanmak kritik. DeepMind'a göre Antigravity, bu uçtan uca bilimsel akıl yürütmeyi tek bir yerde yürütüyor ve bilim insanlarına hipotez değerlendirmeye, deney yapmaya ve araştırma problemlerini çözmeye daha fazla zaman bırakıyor.
Bulunan adayın yapısal ve genomik kanıtlarla desteklenen biyolojik olarak makul bir öncü olduğu, ancak hâlâ ıslak laboratuvar doğrulaması gerektirdiği vurgulanıyor.