Açık Kaynak RFD4-Proteina, Protein Tasarımını 5-10 Kat Hızlandırıyor

22 Ekim 2026
3 dk dk okuma süresi
Açık Kaynak RFD4-Proteina, Protein Tasarımını 5-10 Kat Hızlandırıyor

Washington Üniversitesi (UW) Tıp Fakültesi bünyesindeki Protein Tasarımı Enstitüsü (Institute for Protein Design, IPD), Nvidia ile birlikte RFD4-Proteina adlı açık bir üretken (generative) model geliştirdi. Model, belirli işlevlere sahip yeni proteinlerin tasarımını biyomoleküler akıl yürütme (biomolecular reasoning) yaklaşımıyla iyileştirmeyi hedefliyor. Nvidia’nın kimya ve biyoloji için yapay zekâ platformu BioNeMo üzerine kurulan sistem, programlanabilir protein tasarımını arama yetenekleriyle birleştiriyor.

Model nasıl çalışıyor?

Geliştiricilerin aktardığına göre RFD4-Proteina hedefe yönelik protein tasarımları üretiyor. Bilim insanları ve yapay zekâ ajanları (agents), moleküler girdileri, kısıtları ve puanlama hedeflerini kullanarak bu tasarımları arayıp iyileştirebiliyor. Olası kullanım alanları arasında hastalık süreçlerini kesintiye uğratan proteinler ve tanı testlerinde hastalık belirtilerini saptayan proteinler yer alıyor.

Modelin ayırt edici yönü, proteinin dizisini ve yapısını, etkileşime girdiği moleküllerin yapılarıyla eş zamanlı olarak iyileştirmesi. Böylece bir bileşendeki değişiklik, diğerlerine de sorunsuz biçimde yansıyor.

Adın kökeni

RFD4-Proteina adı iki bileşenden geliyor:

  • RosettaFold Diffusion: IPD’nin yeni proteinler üretmek için kullandığı yönlendirilmiş difüzyon (guided diffusion) modeli.
  • Proteina-Complexa: Nvidia’nın protein ve küçük molekül hedefleri için bağlayıcı (binder) tasarlayan üretken modeli. Çıkarım zamanı optimizasyonunu (inference-time optimization), Nvidia’nın atomistik protein tasarımı için geliştirdiği La-Proteina üzerine kurulu, önceden eğitilmiş akış tabanlı (flow-based) bir modelle birleştiriyor.

Performans: Rakamlar ne söylüyor?

Geliştiricilere göre RFD4-Proteina, önceki modellere kıyasla beş ila 10 kat daha yüksek tasarım başarı oranına ulaşırken protein adaylarını beş ila 10 kat daha hızlı üretiyor. Nvidia, dört kıyaslama setinde değerlendirilen referans modellere göre daha yüksek hesaplamalı tasarım başarısı ve üretim hızı elde edildiğini bildiriyor. Bu setler şunlar:

  1. Protein bağlanması (protein binding)
  2. Küçük molekül bağlanması (small-molecule binding)
  3. Enzim iskeleti tasarımı (enzyme scaffolding)
  4. DNA bağlanması (DNA binding)

Model, araştırmacıların laboratuvar testine gidecek adayları keşfetmesine ve önceliklendirmesine yardımcı oluyor. Açık kalmasıyla yatırımcıların mevcut yetenekler üzerine inşa etmesi, daha fazla olası tasarımı denemesi ve umut vadeden ilaç adaylarını laboratuvar testine daha hızlı taşıması amaçlanıyor.

IPD araştırmacılarından saha deneyimi

Modeli kendi tasarım problemlerinde kullanan IPD araştırmacıları, yöntemin önceki yaklaşımlara göre hem etkinlik hem hız açısından ilerleme sağladığını bildiriyor. UW’de biyokimya ile biyolojik fizik, yapı ve tasarım alanlarında doktora öğrencisi Meg Lunn-Halbert şöyle konuşuyor:

“Bağışıklık sisteminin tanıması açısından önemli olan şekerlerden glikanların proteinlere hangi türde bağlanacağını, önceki modellerin başaramadığı biçimde hassas kontrol edebildik. Üstelik bunu aylar yerine bir haftadan kısa sürede yaptık.”

UW biyomühendislik doktora adayı ve Ulusal Bilim Vakfı (NSF) bursiyeri Seth Woodbury ise birkaç günde, daha önceki en iyi tasarımından kat kat daha iyi performans gösteren, pestisit parçalayan bir enzim tasarladığını belirtiyor. Önceki tasarımı aylar sürmüştü.

Baker: Doğanın proteinlerini keşfetmekten yenilerini tasarlamaya

IPD Direktörü ve UW Medicine biyokimya profesörü, Nobel ödüllü David Baker, geçişi şu sözlerle özetliyor:

“Doğanın yarattığı proteinleri keşfetme çağından, tamamen yeni proteinler tasarlayabildiğimiz bir çağa geçiyoruz.”

Baker, modelin ilaç keşfinden pestisitleri parçalayan enzimlere uzanan uygulamaları genişlettiğini söylüyor. Polimerleri parçalamanın ve biyoplastik üretmenin yeni yollarının da gelişeceğini öngörüyor. Baker, 2024 Nobel Kimya Ödülü’nü “hesaplamalı protein tasarımı” çalışmalarıyla Demis Hassabis ve John Jumper ile paylaşmıştı.

Erişim, lisans ve finansman

RFD4-Proteina, BSD-3 lisansıyla açık kaynak olarak hemen kullanıma sunuldu. Model; Amazon Bio Discovery, Anthropic’in Claude Science’ı, Benchling, Databricks, Google Cloud, Hugging Face, Nebius, OpenAI ve Tamarind Bio gibi ortaklar üzerinden de erişilebilir. Bu ortaklar, modelin ajan, bulut ve bilimsel hesaplama iş akışlarına entegre edilmesini sağlıyor.

Projenin IPD tarafındaki liderleri UW doktora öğrencileri Nathaniel Corley, Maxwell Kazman ve Rafi Brent ile Oxford Üniversitesi’nden ziyaretçi öğrenci Kieran Didi. Geliştirme; Howard Hughes Tıp Enstitüsü, Gates Vakfı, Grantham Vakfı, Fund for Science and Technology, Schmidt Sciences, OpenFold konsorsiyumu, Rosetta Commons ve IPD’nin diğer destekçilerince finanse edildi. Jen-Hsun ve Lori Huang Vakfı’nın sağladığı hesaplama hibesi, UW’ye göre geliştirme için kritik önem taşıdı.

Haber kaynağı: GEN

Editör Yorumu!

Hesaplamalı tasarım hızlandıkça darboğaz, üretilen adayların deneysel doğrulamasına kayıyor; protein bağlanma, enzim aktivitesi veya DNA bağlanma testleri yapan laboratuvarlar için asıl soru, modelin çıkardığı onlarca ya da yüzlerce adayı hangi ölçütle ve hangi test sırasıyla eleyeceği olacak. Geliştiricilerin bildirdiği beş ila 10 kat başarı artışı hesaplamalı kıyaslama setlerinden geliyor; kendi hedef proteini ve test düzeneği üzerinde bu oranın tutup tutmadığını yalnızca laboratuvar verisi gösterecek. BSD-3 lisansı, modelin ticari ya da akademik iş akışlarına eklenmesinde lisans engelini azaltıyor. Bulut ve ajan platformlarıyla entegrasyon ise yerel GPU altyapısı olmayan ekipler için erişimi kolaylaştırabilir. Pratikte izlenmesi gereken nokta, glikan kontrolü ve enzim tasarımı gibi örneklerde bildirilen aylardan günlere inen sürelerin bağımsız laboratuvarlarda da yinelenip yinelenmediği; bu, tasarım–üret–test döngüsünün zaman planını ve numune hazırlama kapasitesini doğrudan etkiler.

RFD4-Proteina, Washington Üniversitesi Protein Tasarımı Enstitüsü ile Nvidia'nın birlikte geliştirdiği açık kaynaklı üretken bir modeldir. Belirli işlevlere sahip yeni proteinlerin tasarımını biyomoleküler akıl yürütme yaklaşımıyla iyileştirmeyi hedefler. Protein dizisini, yapısını ve etkileşime girdiği moleküllerin yapılarını eş zamanlı olarak optimize eder.

Ad iki bileşenden türemiştir: IPD'nin yeni proteinler üretmek için kullandığı yönlendirilmiş difüzyon modeli RosettaFold Diffusion ile Nvidia'nın protein ve küçük molekül hedefleri için bağlayıcı tasarlayan Proteina-Complexa modeli. İkincisi, çıkarım zamanı optimizasyonunu Nvidia'nın La-Proteina üzerine kurulu, önceden eğitilmiş akış tabanlı bir modelle birleştirir.

Bildirilen artış, protein bağlanması, küçük molekül bağlanması, enzim iskeleti tasarımı ve DNA bağlanması kıyaslama setlerindeki hesaplamalı sonuçlara dayanıyor. Kendi hedef proteininiz ve test düzeneğinizde bu oranın tutup tutmadığını yalnızca laboratuvar verisi gösterebilir. Model BSD-3 lisansıyla açık kaynak olarak sunuldu; Amazon Bio Discovery, Benchling, Databricks, Google Cloud, Hugging Face, Nebius, OpenAI ve Tamarind Bio gibi ortaklar üzerinden de erişilebiliyor.

Bülten Aboneliği

Sosyal Medyada Paylaşın

LabHaber

Tüm Hakları Saklıdır © 2026 - Tasarım ve Yazılım: brain.work

labhaber, laboratuvar, analiz, biyoteknoloji ve test alanlarında faaliyet gösteren profesyoneller için hazırlanmış bağımsız bir sektörel haber platformudur.