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.
