AlphaFold Yapay Zekâsı Gen Düzenleme Proteinlerini Güvenli Hale Getiriyor

Gen düzenlemenin bir hassasiyet sorunu var ve araştırmacılar bunu çözmek için modern biyolojinin en çok konuşulan araçlarından birine başvuruyor: Google DeepMind tarafından proteinlerin üç boyutlu yapısını tahmin etmek için geliştirilen yapay zekâ sistemi AlphaFold. Ars Technica'nın haberleştirdiği yeni bir projede bilim insanları, AlphaFold'u sıfırdan yeni bir protein tasarlamak için değil, gen düzenlemede zaten kullanılan proteinlerin içine bakıp yapılarının hangi bölümlerinin DNA'yı yanlış yerden kesmekten sorumlu olduğunu belirlemek için kullanıyor.

Bunun neden önemli olduğunu anlamak için AlphaFold'un aslında ne yaptığını bilmek faydalı. Proteinler, karmaşık üç boyutlu şekillere katlanan uzun amino asit zincirleridir ve bu şekil, bir proteinin nasıl işlev gördüğü konusunda hemen her şeyi belirler — neye bağlandığını, neyi kestiğini, neyi etkinleştirdiğini. On yıllar boyunca, bir proteinin katlanmış yapısını X-ışını kristalografisi gibi deneysel tekniklerle ortaya çıkarmak, tek bir protein için yıllar süren titiz laboratuvar çalışması gerektirebiliyordu. AlphaFold bunu neredeyse bir gecede değiştirdi: alanın birikmiş yapısal biyoloji verileriyle eğitilen bu sistem, belirli bir amino asit dizisinin nasıl katlanacağını, deneysel yöntemlerle yarışabilecek bir doğrulukla, çok daha kısa sürede tahmin edebiliyor. 2020'deki tanıtımı, yapay zekânın zor bir bilimsel soruna en önemli uygulamalarından biri olarak geniş çapta değerlendirildi ve yaratıcıları daha sonra bu çalışma için Nobel Ödülü aldı.

CRISPR ile ilişkili proteinler gibi gen düzenleme araçları, genomdaki belirli bir hedef diziyi bulmak için bir kılavuz molekül kullanarak çalışır ve ardından DNA'yı o noktada keserek hücrenin doğal onarım mekanizmasının genetik materyali devre dışı bırakmasına, düzeltmesine ya da eklemesine olanak tanır. İlke olarak sistem son derece hassastır. Uygulamada ise bu proteinler, hedeflenen bölgeye benzeyen ama tam olarak o olmayan konumlarda da DNA'yı kesebilir — araştırmacıların "hedef dışı" etkiler olarak adlandırdığı durum budur. Yanlış bir gende yapılan istenmeyen bir kesim yalnızca teknik bir hata değildir; nereye denk geldiğine bağlı olarak, tedavi edilen durumla hiçbir ilgisi olmayan bir geni bozabilir ve sonuçları öngörmek zorlaşır.

Hedef dışı etkinliği azaltmak, gen düzenleme araştırmalarının en başından beri temel bir hedef oldu ve bilim insanları birçok yaklaşım denedi: kılavuz molekülü değiştirmek, dozajı ayarlamak ya da düzenleme proteininin varyantlarını deneme yanılma yoluyla geliştirmek. AlphaFold'un bu çabaya kattığı şey, soruna yapısal olarak bakabilme imkânı. Bir gen düzenleme proteininin farklı sürümlerinin nasıl katlandığını tahmin ederek ve proteinin amino asit dizisindeki küçük değişikliklerin şeklini nasıl değiştirdiğini modelleyerek araştırmacılar, proteinin hedefe yakın ama yanlış noktalara bağlanma ve kesme eğiliminden hangi yapısal bölgelerin sorumlu olduğunu tespit etmeye başlayabiliyor.

Bu yapısal bakış açısı önemli, çünkü büyük ölçüde deneme yanılmaya dayanan bir mühendislik sürecini, hedefe yönelik yeniden tasarıma daha yakın bir şeye dönüştürüyor. Araştırmacılar, laboratuvarda binlerce protein varyantını test edip bazılarının tesadüfen daha hassas çıkmasını ummak yerine, AlphaFold'un yapısal tahminlerini kullanarak proteinin hangi bölgelerinin değiştirilmesi gerektiğine dair bir hipotez oluşturabiliyor, ardından çok daha küçük ve daha umut verici bir aday kümesini deneysel olarak test edebiliyor. Bu, laboratuvar doğrulamasının yerini almıyor — tahmin edilen bir yapının gerçek biyokimyasal ve hücresel deneylerde beklendiği gibi davrandığının doğrulanması hâlâ gerekiyor — ama arama alanını ciddi ölçüde daraltıyor.

Bu araştırmanın ne olduğunu ve ne olmadığını net biçimde ortaya koymakta fayda var. Bu, hücrelerde ya da model organizmalarda gen düzenlemek için kullanılan araçları iyileştirmeyi amaçlayan bir protein mühendisliği araştırması; hastalar üzerinde test edilen klinik bir tedavi değil. Laboratuvarda umut vadeden yeniden tasarlanmış bir protein ile onaylanmış bir gen düzenleme tedavisi arasındaki mesafe uzun; kapsamlı güvenlik testleri, düzenleyici inceleme ve klinik denemeler gerektiriyor. Yapay zekâ destekli protein tasarımına dair haberler bazen bu mesafeyi bulanıklaştırabiliyor; doğru çerçeve, bunun zamanla tıpta kullanılabilecek gen düzenleme araçlarını daha güvenli ve güvenilir hale getirebilecek temel bir araştırma olduğudur.

Hedef dışı hassasiyeti doğru şekilde çözmenin önemi, gen düzenlemenin önerildiği her uygulamaya uzanıyor — kalıtsal kan hastalıklarının tedavisinden belirli özelliklere sahip mahsuller geliştirmeye, bilim insanlarının belirli bir genin gerçekte ne işe yaradığını anlamasına yardımcı olan temel araştırmalara kadar. Özellikle tedavi amaçlı bağlamlarda, hem düzenleyici kurumlar hem de araştırmacılar, hedef dışı düzenlemeyi bir gen düzenleme yaklaşımının daha geniş klinik kullanım için değerlendirilebilmesinden önce çözülmesi gereken başlıca güvenlik endişelerinden biri olarak görüyor — bir hastanın genomunda yanlış yere yapılan bir düzenleme, en kötü senaryoda, tümörleri baskılamakla ya da normal hücre işlevini düzenlemekle görevli bir geni bozabilir.

AlphaFold'un bu projedeki rolü, aracın ilk büyük başarısının ötesine nasıl geçtiğinin faydalı bir örneği. İlk kez tanıtıldığında, AlphaFold'un önemi çoğunlukla tek bir rakam üzerinden değerlendiriliyordu: statik bir protein yapısını deneysel ölçümlerle karşılaştırıldığında ne kadar doğru tahmin edebildiği. Bu türden uygulamalarda ise değeri, birçok protein varyantı üzerinde tekrar tekrar çalıştırılabilecek kadar hızlı ve güvenilir olmasından geliyor; bu da eskiden bir darboğaz olan şeyi — bir yapı elde etmenin kendisini — yinelemeli tasarım çalışmaları için bir başlangıç noktasına dönüştürüyor.

Bu tür yapay zekâ destekli yapısal biyoloji, AlphaFold'un piyasaya sürülmesinden bu yana gen düzenlemenin çok ötesine yayıldı: ilaç keşfi, endüstriyel ve çevresel kullanımlar için enzim tasarımı ve hastalıkların protein işlevini yapısal düzeyde nasıl değiştirdiğine dair temel araştırmalar bunlar arasında. Gen düzenleme hassasiyeti, bu daha geniş dönüşümün en sonuç doğurucu uygulamalarından biri, çünkü iyileştirilen araçlar, istenmeyen etkilere karşı toleransın en düşük olduğu insan tedavilerinde kullanılması zaten araştırılan araçlarla aynı.

Şimdilik bu araştırmanın pratik sonucu, daha bilinçli hipotezler ve laboratuvarda test edilmeye değer, daha kısa bir protein varyantı listesi; kullanıma hazır, bitmiş ve daha güvenli bir gen düzenleme aracı değil. Ama bu kademeli, yapısal olarak yönlendirilen yaklaşım, tam olarak birikerek büyüme eğiliminde olan, gösterişsiz türden bir ilerleme: hedef dışı kesimi ölçülebilir biçimde azaltan her yeniden tasarlanmış protein, gen düzenlemenin teknik olarak yapabildikleriyle canlı bir hücrede güvenilir biçimde yapabileceğine güvenilenler arasındaki güvenlik açığını daraltıyor.