SON DAKİKA

Yapay Zeka

Yeni Bir Hesaplama Modeli Antikor Yapılarını Daha Doğru Bir Şekilde Tahmin Edebilir

Yapay Zeka ile Antikor Yapısı Tahmini

Yapay zeka modelleri olan büyük dil modellerinin adaptasyonu sayesinde, araştırmacılar bir proteinin yapısını, dizisinden tahmin etme konusunda kayda değer ilerlemeler kaydettiler. Ancak, bu yaklaşım, proteinlerin yüksek değişkenliği nedeniyle antikorlar için aynı başarıyı elde edememiştir.

Yeni Bir Hesaplama Tekniği

MIT araştırmacıları, büyük dil modellerinin antikor yapısını daha doğru bir şekilde tahmin etmesine olanak tanıyan yeni bir hesaplama tekniği geliştirdiler. Bu çalışma, araştırmacıların SARS-CoV-2 ve diğer enfeksiyöz hastalıkları tedavi etmek için kullanılabilecek milyonlarca antikor arasından seçim yapmasına yardımcı olabilir.

MIT’deki Bilgisayarlı Bilim ve Yapay Zeka Laboratuvarı’nın (CSAIL) Matematik Simons Profesörü ve Computation and Biology grubunun başkanı olan Bonnie Berger, “Yöntemimiz, daha önce yapılamayan bir şekilde ölçeklenmemizi sağlıyor. Böylece gerçekten birkaç iğneyi samanlıkta bulabiliyoruz” diyor. “Eğer ilaç şirketlerinin yanlış bir ürünle klinik denemelere girmesini engelleyebilirsek, bu büyük maliyet tasarrufu sağlar.”

Yüksek Değişkenlik Modelleme

Proteinler, çok sayıda olası yapıya katlanabilen uzun amino asit zincirlerinden oluşur. Son yıllarda, AlphaFold gibi yapay zeka programları sayesinde bu yapıların tahmin edilmesi oldukça kolaylaşmıştır. Ancak, antikorların yapısına dair tahminlerde, özellikle de antikorun yüksek değişkenlik gösteren bölgelerinde sıkıntılar yaşanmaktadır.

Antikorlar, “Y” şeklindeki bir yapıya sahiptir ve bu yüksek değişkenlik gösteren bölgeleri, Y’nin uç kısımlarında yer alır. Bu bölgeler, dış proteinlere (antijenlere) bağlanma işlevi görür. Antikorların oluşturulması, farklı antijenlere tepkiyi sağlamak için 1 kentilyon kadar farklı kombinasyon yaratabilir. Ancak bu diziler, diğer protein dizileri gibi evrimsel bir baskı altında olmadığı için, büyük dil modellerinin doğru bir şekilde yapı tahmin etmesi zordur.

MIT araştırmacıları, hiper değişken bölgeleri modellemek için mevcut protein dil modellerini geliştirerek iki modül oluşturdu. Bu modüller, yaklaşık 3,000 antikor yapısından elde edilen verilerle eğitildi.

Antikorların Yapı ve Bağlanma Gücünü Tahmin Etmek

Geliştirilen hesaplama modeli AbMap, antikor yapılarını ve bağlanma güçlerini tahmin edebiliyor. Araştırmacılar, SARS-CoV-2 virüsünün spike proteinine güçlü bir şekilde bağlanan antikor yapılarını tahmin etmek için bu modeli kullandılar. Model, milyonlarca varyant oluşturdu ve en başarılı antikor yapılarını belirlemek için geleneksel protein yapı tahmin modellerinden çok daha doğru sonuçlar üretti.

Üretilen antikorları gruplara ayırarak, her gruptan örnekler denenmiştir ve yapılan deneyler, bu antikorların %82’sinin modellemeden elde edilen orijinal antikorlardan daha iyi bağlanma gücüne sahip olduğunu göstermiştir.

Antikorlar Arasındaki İlişkiyi Keşfetmek

Bu yöntem aynı zamanda, insanların enfeksiyonlara farklı şekilde tepkilerini anlamaya yönelik uzun süredir devam eden bazı soruları da yanıtlayabilir. Örneğin, bazı bireylerin neden daha şiddetli Covid formuna maruz kaldıklarını veya HIV’e maruz kalıp hastalanmayan bireylerin özelliklerini anlamaya yardımcı olabilir.

Yeni model, bireylerin antikorlarının yapısını hızlı bir şekilde oluşturarak, bu yapıların belirli bir patojene karşı bağışıklık tepkisinin ne kadar etkili olabileceğini araştırmak için büyük bir fırsat sunmaktadır. Rohit Singh, “Bu yüzden dil modelleri burada mükemmel bir şekilde devreye giriyor çünkü dizilere dayalı analizlerin ölçeklenebilirliğini ve yapı bazlı analizlerin doğruluğunu bir araya getiriyor” diyor.

Bu araştırma, Sanofi ve Abdul Latif Jameel Sağlıkta Makine Öğrenimi Kliniği tarafından finanse edilmiştir.

Düşüncenizi Paylaşın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

İlgili Teknoloji Haberleri

The economics of AI refer to the economic impact and implications of artificial intelligence technologies. Some key points to know about the economics of AI include: 1. Increased productivity: AI has the potential to significantly increase productivity by automating routine tasks and processes, freeing up human workers to focus on more complex and creative tasks. 2. Job displacement: While AI can create new job opportunities, it also has the potential to displace certain roles that can be automated. This can lead to job loss and require workers to acquire new skills to remain relevant in the workforce. 3. Cost savings: AI can help businesses reduce costs by streamlining operations, improving efficiency, and optimizing resource allocation. 4. Enhanced decision-making: AI can provide businesses with valuable insights and data analysis to make more informed and strategic decisions, leading to better outcomes and competitive advantage. 5. New revenue streams: AI technologies can enable businesses to develop new products and services, enter new markets, and create innovative business models that can generate additional revenue streams. 6. Ethical and societal considerations: The widespread adoption of AI raises ethical and societal concerns around issues such as privacy, bias, job displacement, and the potential for AI to exacerbate existing inequalities. 7. Regulatory challenges: Policymakers are grappling with how to regulate AI technologies to ensure they are used responsibly and ethically while also fostering innovation and economic growth. Overall, the economics of AI present both opportunities and challenges for businesses, workers, and society as a whole. It is important for stakeholders to carefully consider the implications of AI adoption and to develop strategies for maximizing the benefits while mitigating potential risks.