Massachusetts Teknoloji Enstitüsü Abdul Latif Jameel Sağlıkta Makine Öğrenimi Kliniği (MIT Jameel Kliniği) tarafından geliştirilen BoltzGen, protein bağlanma afinitesini tahmin eden açık kaynaklı Boltz-2 modelini temel alıyor. BoltzGen,Boltz-2 altyapısının üzerine yeni protein bağlayıcılar üreterek doğrudan ilaç keşif hattına girebilecek tasarımlar üretmeyi hedefliyor.
YENİ NESİL MODEL
BoltzGen’i öne çıkaran üç ana özellik bulunuyor. Model, birden fazla görevi aynı anda yerine getirerek protein tasarımı ile yapı tahminini birleştirirken yüksek performansını koruyor. Islak laboratuvar araştırmacılarından alınan geri bildirimlerle tanımlanan kısıtlamalar sayesinde modelin fizik ve kimya yasalarıyla uyumlu, işlevsel proteinler üretmesi amaçlanıyor. Ayrıca model, ‘ilaçla tedavi edilemeyen’ zorlu hastalık hedefleri de dahil olmak üzere farklı hedefler üzerinde test edilerek bağlayıcı üretme kabiliyetinin sınırlarına kadar değerlendiriliyor.
ÜÇ TEMEL YENİLİK
Mevcut modellerin çoğunun ya yalnızca yapı tahmini ya da yalnızca protein tasarımı yapabildiği, genellikle bağlanması daha kolay hedeflere odaklandığı belirtiliyor. Eğitim verilerine benzeyen hedeflerde başarılı sonuçlar alınırken, bağlayıcı yapısının bilinmediği zorlu hedeflerde performansın hızla düştüğü hatırlatılıyor.
MIT doktora öğrencisi ve modelin ilk yazarı Hannes Stärk, bugüne kadar bağlayıcı tasarımına odaklanan modellerin çoğunun belirli modalitelere özgü kaldığını, BoltzGen’in ise daha genel bir model olarak hem daha fazla görevi ele alabildiğini hem de fiziksel süreçleri taklit ederek öğrenmesi sayesinde her bir görevde daha iyi performans gösterebildiğini ifade ediyor. Daha genel bir eğitim şemasıyla, genelleştirilebilir fiziksel kalıplar içeren çok sayıda örneğin modele sunulduğu vurgulanıyor.
ISLAK LAB DOĞRULAMA
Araştırma ekibi, BoltzGen’i 26 farklı hedef üzerinde test etti. Bu hedefler hem terapötik açıdan önemli vakalardan hem de eğitim verilerine benzememesi amacıyla özellikle seçilen daha zor örneklerden oluştu. Akademi ve endüstrideki sekiz ıslak laboratuvarda yürütülen doğrulama sürecinin, modelin ilaç geliştirmedeki kapsamını ve potansiyelini ortaya koyduğu belirtiliyor. Endüstri işbirlikçilerinden Parabilis Medicines, BoltzGen’in mevcut Helicon peptit hesaplama platformuna eklenmesinin, başlıca insan hastalıklarına karşı dönüştürücü ilaç geliştirme çabalarını hızlandıracağını değerlendiriyor.
AÇIK KAYNAK ETKİSİ
Boltz-1, Boltz-2 ve BoltzGen’in, 22 Ekim’de 7. Moleküler Makine Öğrenmesi Konferansı’nda ön gösterimi yapılan açık kaynak sürümlerinin, ilaç geliştirmede hem yeni fırsatlar hem de daha fazla şeffaflık sunduğu, aynı zamanda biyoteknoloji ve ilaç şirketlerinin mevcut ürün ve hizmet yapılarını yeniden gözden geçirmesini gerektirebileceği ifade ediliyor.
Sosyal medya platformu X’teki tartışmalarda LabGenius baş makine öğrenimi bilimcisi Justin Grace, sohbet yapay zekâsı sistemlerinde özel sürüm ile açık sürüm arasındaki performans farkının aylar içinde kapandığını, protein alanında bu sürenin daha da kısaldığını vurguluyor ve ücretsiz açık sürümlerin hızla ortaya çıktığı bir ortamda, ‘bağlayıcı tasarımını hizmet olarak’ sunan şirketlerin yatırımlarını geri kazanma biçiminin tartışma konusu hâline geldiğine dikkat çekiyor.
Akademik açıdan BoltzGen, bilimsel çalışmaları hem genişleten hem de hızlandıran bir araç olarak görülüyor. Kıdemli ortak yazar, Jameel Kliniği Yapay Zeka fakültesi lideri ve CSAIL’e bağlı MIT profesörü Regina Barzilay, yapay zekânın tedavi alanında oyunu gerçekten değiştirebilmesi için ‘ilaçla tedavi edilemeyen’ hedeflere çözüm üretmesi gerektiğini, Hannes Stärk’in çalışmalarının da çözülmemiş problemlere odaklanmasıyla öne çıktığını belirtiyor.
YAPAY ZEKAYLA MOLEKÜLER BİYOLOJİ
Jameel Kliniği ve CSAIL’e bağlı Elektrik Mühendisliği ve Bilgisayar Bilimleri Thomas Siebel Profesörü ve kıdemli ortak yazar Tommi Jaakkola, BoltzGen gibi tamamen açık kaynak yayınlanan modellerin, ilaç tasarımında daha geniş toplulukların katılımına ve yeteneklerin hızla gelişmesine zemin hazırladığını ifade ediyor.
Stärk, biyomoleküler tasarımın gelecekte yapay zekâ modelleriyle köklü biçimde değişeceğini öngörüyor. Araştırmacı, hastalıkları çözmek ve moleküler makinelerle bugün hayal edilmeyen görevleri yerine getirebilecek biyolojik sistemler tasarlamaya yardımcı olacak araçlar geliştirmeyi, bu araçlarla biyologların daha önce düşünmedikleri çözümleri hayal edebilmelerini sağlamayı hedeflediğini dile getiriyor.
