Kathryn Tunyasuvunakool, yuvarlak solucanları araştırırken bilgisayar programlamaya ilgi duymaya başladı. Şimdi bu ilgisini protein yapısı tahminine yardımcı olmak için kullanıyor.
Kathryn Tunyasuvunakool doğduktan birkaç yıl sonra üniversiteye başlayan annesi, Tunyasuvunakool’un büyüdüğü evde bilimsel araştırmalar yapıyordu. Annesi bir gün bilimsel bir proje için evlerinin tavanından sarkan bir sarkacın salınımlarını zamanlıyordu. Başka bir gün ise annesi, bir rapor için yemek masasının üzerinde bulunan fosil örneklerindeki desenleri inceliyordu. Tunyasuvunakool, bilimle erken yaşta tanışması nedeniyle bilimin eğlenceli olduğu ve araştırma alanında kariyer yapmanın gerçekçi bir hedef olduğu algısını geliştirmiş. Kendisi şöyle açıklıyor: “Her zaman üniversiteye gitmek ve bir bilim insanı olmak istemiştim.
Tunyasuvunakool, lisans eğitiminde matematik, yüksek lisans eğitiminde ise hesaplamalı biyoloji alanında uzmanlaşarak hedefine ulaştı. Doktorası üzerinde çalışırken hem biyologlar hem de fizikçiler için popüler bir çalışma konusu olan Caenorhabditis elegans’ın büyümesinin çeşitli yönlerini tasvir eden bir modelin geliştirilmesine katkıda bulundu. Ayrıca programlama tutkusunu keşfetmiş ve bu da onu doğal olarak yazılım mühendisliği alanında kariyer yapmaya yöneltmiştir. Tunyasuvunakool şu anda DeepMind’da AlphaFold protein yapısı tahmin aracı ekibinin bir üyesidir. Yaratıcılarından ikisine Breakthrough Prize kazandıran program hakkında daha fazla bilgi edinmek ve bu programın yol açabileceği potansiyel keşifler konusunda neden bu kadar hevesli olduğunu öğrenmek için Physics Magazine ile bir röportaj yaptı.
AlphaFold nedir ve hangi uygulamalara sahiptir?
AlphaFold adı verilen bir makine öğrenimi modeli, bir proteinin yapısını amino asit diziliminden çıkarabilmektedir. Belirli bir proteinin 1D amino-asit zinciri artık çeşitli çalışmalarla hızlı bir şekilde belirlenebilir ve bu da protein dizilerini elde etmeyi nispeten basit hale getirir. Proteinin işlevini yerine getirebilmesi, dizisiyle açıklanamayan üç boyutlu bir şekle nasıl katlandığına bağlıdır. Deneysel olarak katlanmış yapılar üretilebilir, ancak bu süreç zaman alır. AlphaFold, yapıları zamanın küçük bir bölümünde tahmin ederek karmaşık sistemler hakkındaki bilgileri hızlandırır.
AlphaFold ekibinde hangi işlevi üstleniyorsunuz?
Ekibe ilk katıldığımda yazılım mühendisi olarak çalıştım ve halihazırda mevcut olan deneysel protein yapısı verilerini alıp modeli eğitmek için kullanabileceğimiz özniteliklere dönüştüren veri boru hatları oluşturdum. Bunu yaparken, AlphaFold tarafından yapılan tahminlerin ne kadar yararlı olduğunu merak etmeye başladım. Tahminleri dikkatle incelemeye başladım ve literatürdeki sonuçlarla kapsamlı karşılaştırmalar yaptım. Daha sonra bu işi tam zamanlı olarak yapmaya, model performansını değerlendirmeye ve programın kullanım alanlarını keşfetmeye başladım.
Peki AlphaFold’un tahminleri ne kadar doğru?
2020 yılında, başta Nature dergisinde yayınlananlar olmak üzere en yüksek etkili dergilerde raporlanan deneysel araştırmalarda gözlemlenen yapıları AlphaFold tarafından tahmin edilenlerle karşılaştırdım. O dönemde tek zincirli protein yapılarını tahmin etmeye çalıştığımızda, AlphaFold oldukça iyi bir performans gösterdi. Ancak, yayınların çoğunun tek bir zincir yerine çok sayıda zincir içeren daha karmaşık sistemleri incelediğini fark ettim.
Bundan ilham alarak çok zincirli protein kompleksleri için tasarlanmış modelin bir çeşidi olan AlphaFold Multimer’i geliştirmeye başladık.
Deneysel olarak türetilen yapıların yanlış olduğunun gösterildiği ve AlphaFold’un tahminlerinin uyuşmadığı durumlar oldu mu?
Birkaç vaka oldu ama ben bulamadım. Araştırmacılar AlphaFold’u kamuya açık hale geldiğinden beri çok sayıda çalışma yapmak için kullandılar. Bu çalışmalar sonucunda yapılan keşiflerden biri, AlphaFold’un zaman zaman nükleer manyetik rezonans (NMR) yöntemleri kullanılarak deneysel olarak keşfedilenden daha kesin yapılar öngördüğüdür. NMR’daki deneysel verilerden bir yapı oluşturmak için önemli miktarda işlem yapılması gerekir. Birçok durumda, AlphaFold’un öngördüğü yapı, veri uyumu açısından orijinal NMR’dan türetilen yapıdan daha iyi performans göstermiştir.
AlphaFold tarafından bugüne kadar kaç yapı tahmin edildi?
200 milyondan fazla.
Hiç kayda değer bir proteinin mimarisi üzerinde çalıştınız mı?
CASP14’te (protein-yapı-tahmin modellerinin iki yılda bir yapılan değerlendirmesinin 14. yinelemesi) kullanılan AlphaFold sürümüyle üzerinde çalıştığım ilk sekans, COVID-19’a neden olan SARS-CoV-2 virüsünün bir proteini içindi. Sistemi test etmek için iç karartıcı bir yaklaşımdı, ancak bireylerin proteinin yapısını merak ettikleri açıktı.
AlphaFold’un geleceği nedir?
Çok fazla ayrıntıya giremem, ancak AlphaFold ekibinin uzun vadede proteinle ilgili sorunları çözmeye kendini adadığını söyleyebilirim. Ligandların veya su moleküllerinin belirli bir proteinin davranışı üzerindeki etkileri veya ilgilenilen sisteme bağlı protein olmayan bileşenlerin modellenmesi gibi AlphaFold’un hala modelleyemediği bir dizi şey var. Bir proteinin 3D yapısı birçok özellikten sadece bir tanesidir. Nokta mutasyonlarının bir proteinin formunu nasıl etkilediği de dahil olmak üzere diğer şeyleri tahmin edebilmek harika olurdu.
AlphaFold’un başarısı aslında bir ekip çalışması; yükseltmeler üzerinde çalışan yaklaşık 20 kişi var. Ekip, bilim insanlarının ilgisini çeken konulara odaklandığımızdan emin olmak için sık sık araştırmacılarla birlikte çalışıyor. Sonuç olarak her zaman incelenecek yeni sorunlar var.
Kaynak: physics.aps.org/articles/v15/181
