Protein katlanmasını tahmin etmeye yönelik yapay zeka araçları, kimyasal olarak imkansız yapılar üretir ve insan gözetimine ihtiyaç duyar

Rensselaer Politeknik Enstitüsü’ndeki (RPI) araştırmacılar, protein yapılarını tahmin etmeye yönelik günümüzün önde gelen yapay zeka araçlarının, rutin olarak fiziksel ve kimyasal olarak imkansız sonuçlar ürettiğini ve yapay zekanın bilimsel araştırmalarda nasıl uygulandığına ilişkin kritik kör noktaları açığa çıkardığını keşfetti. Dergide yayımlanan çalışma Ulusal Bilimler Akademisi Bildirileriyapay zekanın laboratuvarda güvenilir sonuçlar üretebilmesi için hâlâ insan gözetimine ve fizik tabanlı doğrulamaya ihtiyaç duyduğu konusunda uyarıcı bir hatırlatma görevi görüyor.

Biyoloji bilimleri profesörü ve RPI Constellation Bağışlanmış Başkanı George I. Makhatadze tarafından yazılan makale, düz amino asit dizilerinin bir proteinin işlevini belirleyen üç boyutlu yapılara nasıl katlandığını tahmin etmek için yaygın olarak kullanılan derin öğrenme araçlarını değerlendirdi. Makhatadze, bu araçların sıklıkla protein katlamanın altında yatan bilimsel kuralları gözden kaçırdığını ve özellikle test edilen her aracın kendi doğruluğunu garanti edilen sonuçlardan daha yüksek derecelendirdiğini buldu.

Makhatadze, “Makalenin esas sonucu şu: güven ama doğrula” dedi. “Fizik tabanlı yöntemleri kullanarak (AI çıktılarını) doğrulamanız gerekir.”

Modellerin bozulduğu yer

Yapay zeka, protein kıvrımlarını tahmin etmek için kullanılan devasa veri setlerini analiz etmek için vazgeçilmez hale geldi. Örneğin, AlphaFold2 olarak bilinen Google’ın DeepMind AI laboratuvarı, protein yapısı tahminine yaptığı katkılardan dolayı 2024 Nobel Kimya Ödülü’nü paylaştı.

Ancak Makhatadze’nin çalışmasına göre, Washington Üniversitesi’nde geliştirilen benzer bir derin öğrenmeye dayalı tahmin platformu olan AlphaFold2 ve RoseTTAFold2’nin her ikisi de, katlanmanın temel termodinamik ilkeleri yerine istatistiksel kalıpları (önceliklendirerek) “varyant dizileri için mantıksız yapılar” üretti. Her iki araç da evrimsel veriler ve yapısal veritabanları üzerine eğitilmiştir.

Makhatadze, “AlphaFold bu alanın müjdecisi olarak kabul ediliyor” dedi. “Çok iyi ve pek çok şeyi iyi yapıyor. Ancak ara sıra hata yapıyor çünkü modelde henüz yeterli miktarda doğru veri yok.”

Makhatadze, farklı bir araç sınıfında (yapısal veriler yerine protein dizilerine dayanan “transformatör tabanlı protein dili modelleri”) daha az bilimsel imkansızlık buldu. Bu sınıftaki araçlar OmegaFold ve Meta tarafından geliştirilen ESMFold’u içeriyordu. Bununla birlikte, proteinler iyonlaşabilir kalıntılar içerdiğinde, modelin her iki kategorisi de iyi performans göstermedi; bu, çevredeki ortama bağlı olarak proton kazanabilen veya kaybedebilen amino asit yan zincirleri anlamına geliyordu.

Makhatadze’ye göre mevcut tahmine dayalı yapay zeka araçları, iyonlaşabilen kalıntıları hesaba katacak şekilde eğitilmemiştir ve bu da bazen bilimsel olarak imkansız tahminlere yol açmaktadır.

Desen tanımayı fizikle eşleştirme

Bu eksiklikleri gidermek için Makhatadze, protein yapılarını doğrulamak için yapay zeka tarafından oluşturulan tahminlerin moleküler dinamiğin bilgisayar simülasyonlarıyla eşleştirilmesini öneriyor. Makalede, bu kombinasyonun “yapay zeka tarafından oluşturulan yapılara olan güveni güçlendirdiği ve makine öğrenimini fizik tabanlı iyileştirme ile birleştirme ihtiyacının altını çizdiği” belirtiliyor.

Makalenin yayınlanmasıyla birlikte Makhatadze, yapay zeka öngörülü katlama modellerinin geliştiricilerinin, ek fizikokimyasal doğrulama düzeyleri ekleyerek mevcut platformlardaki bu kör noktayı ele almasını bekliyor. “Bu, desen tanıma ve fiziğin bir kombinasyonu olmalı” dedi.

Bu arada Makhatadze, bilimsel laboratuvarlarda ve ötesinde yapay zeka kullanıcılarına bir tavsiyede bulunuyor: “Modelin öngördüğü her şeye körü körüne inanamazsınız.”