Yapı Gerektirmeyen Yapay Zekâ, Şekilsiz Proteinlere Yönelik İlaç Adaylarını Tarıyor

11 Kasım 2026
4 dk dk okuma süresi
Yapı Gerektirmeyen Yapay Zekâ, Şekilsiz Proteinlere Yönelik İlaç Adaylarını Tarıyor

İlaç keşfinde yapı temelli yaklaşım, 1990’lardan beri proteinlerin üç boyutlu şekline dayanıyor. Ancak insan proteomunun yaklaşık yüzde 40’ının yapısı bilinmiyor. Talus Bioscience, Inc. bu boşluğu yapıdan bağımsız çalışan bir yapay zekâ modeliyle kapatmaya çalışıyor. Ptarmigan-1 adlı platform, sabit bir 3D yapısı olmayan ve geleneksel olarak “ilaçlanamaz” sayılan proteinler dahil, insan vücudundaki proteinlerin küçük moleküllerle etkileşimini tahmin ediyor.

Yapı Temelli Yaklaşımın Sınırı

Eskiden araştırmacılar, hedefi bilmeden bileşiklerin biyolojik sistemler üzerindeki etkisini deneyerek ilaç buluyordu. 1990’larda proteinlerin üretilebilmesi, X-ışını kristalografisiyle görüntülenebilmesi ve bu görüntülerin bilgisayarda modellenebilmesi bu stratejiyi değiştirdi. Talus’un CEO’su ve kurucu ortağı kimyasal biyolog Alex Federation, bu dönemi yapı temelli devrimin başlangıcı olarak tanımlıyor.

Ortaya çıkan ortak katlanma (co-folding) modelleri, ilaç-hedef etkileşimlerini proteinin 3D yapısından yola çıkarak modelliyor. Federation’a göre bu yöntem, yapısı bilinmeyen yaklaşık yüzde 40’lık proteom kesimi için işe yaramıyor. Talus’un teknoloji direktörü ve kurucu ortağı hesaplamalı biyolog Lindsay Pino, bu modellerin gelişiminde protein veri bankasının belirleyici olduğunu, ancak birçok proteinin bu veri tabanlarında yeterince temsil edilmediğini söylüyor. Bu “karanlık proteom” hastalıkla ilişkili proteinler içerdiği için ekip, yapıya ihtiyaç duymayan bir model geliştirmeye yöneldi.

Proteinleri Doğal Ortamında Ölçmek

Doğal yapısı düzensiz proteinler (intrinsically disordered proteins), hücre içinde işlevini sürdürüyor ama hücreden çıkarıldığında şeklini iyi koruyamıyor. Bu nedenle klasik izolasyon ve kristalografi yöntemleri bu proteinlerde sınırlı kalıyor. Pino, Federation ve ekipleri hücresel bağlamı korumak için insan hücre hatlarını kullandı. Hücreleri tescilli (proprietary) bir proteomik teknolojiyle analiz ederek proteinlerin bileşiklere yanıt olarak dinamiklerini doğal ortamlarında izlediler.

Veri üretimi kolay olmadı. Pino süreci “köstebek vurma oyununa” benzetiyor:

Önce daha fazla numuneyi fiziksel olarak nasıl hazırlayacağınızı çözüyorsunuz. Sonra daha fazla kütle spektrometresine ya da onları daha hızlı çalıştırmaya ihtiyaç duyuyorsunuz. Ardından tüm bu veriyi nasıl depolayacağınızı ve uyumlaştıracağınızı bulmanız gerekiyor.

Ekip bu darboğazları otomatikleştirilmiş proteomik yaklaşımlarla aştı ve elde ettiği veriyle Ptarmigan-1’i eğitti.

Ptarmigan-1 Farklı Ne Yapıyor?

Geleneksel yapay zekâ tabanlı ilaç keşfi araçları, bir proteine ait çok boyutlu bilgiyi, yapısı da dahil, modelin işleyebileceği tek bir sayısal temsile sıkıştırıyor. Bu yaklaşım, proteinin tek tek bölgelerine ait ayrıntıları bulanıklaştırabiliyor. Ptarmigan-1 ise bireysel amino asitlere ait bilgiyi koruyor. Böylece bir ligandın, 3D şekilden bağımsız olarak, belirli bir amino asit kalıntısıyla etkileşme olasılığını gösteren haritalar üretiyor.

Yapı-bağımsız tasarımın hız avantajı da var. Federation’a göre bir ortak katlanma modeli, bir hedefe bağlanabilecek birkaç bin bileşiği taramak için yaklaşık birkaç gün harcıyor. Ptarmigan-1 ise protein katlanmasını atladığı için araştırmacıların tüm proteomu bir milyardan fazla bileşiğe karşı bir günde taramasını sağladı.

Kavram Kanıtı: STAT6

Ekip modelin değerini, enflamatuvar hastalıklara karşı doğrulanmış bir ilaç hedefi olan transkripsiyon faktörü STAT6 (signal transducer and activator of transcription 6) üzerinde, bir ortak katlanma modeliyle karşılaştırarak test etti. STAT6 inhibitörleri yakın zamanda bir patentte duyurulmuştu ve ne Ptarmigan-1 ne de karşılaştırma modeli eğitim sırasında bu bilgiyi görmüştü. Sonuçlara göre:

  • Ptarmigan-1, ortak katlanma modelinin bulamadığı başarılı ilaç adaylarını doğru biçimde belirledi.
  • Model, ilaçların STAT6 üzerindeki hedef bölgelerini göstermede de karşılaştırma modelinden daha iyi performans gösterdi.

Bu bulgular, Fondrie ve arkadaşlarının bioRxiv’de yayımlanan ön baskı (preprint) çalışmasında yer alıyor.

Kamuya Açık Portal ve Sonraki Adımlar

Araştırmacılar Ptarmigan-1’i herkese açık bir portal üzerinden diğer bilim insanlarının kullanımına sundu. Federation’a göre modelin yayına alınmasının ilk iki haftasında kullanıcılar yaklaşık iki milyon deney çalıştırdı. Pino, binlerce yapısız proteinin bulunduğunu ve bunun tek bir laboratuvarın üstlenebileceğinden çok daha fazla olduğunu belirterek modelin daha fazla kişinin eline geçmesinden heyecan duyduğunu söylüyor.

Kurucular modeli ince ayarlamayı sürdürecek. Hedef, Ptarmigan-1’in önerdiği lider adayların klinik aşamaya taşınabilmesi. Yani şu an gösterilen sonuçlar bir kavram kanıtı düzeyinde ve ön baskı niteliğinde. Klinik değer ise bu adayların ilerleyen deneylerde doğrulanmasına bağlı.

Teknik Çerçeve

Yapısız proteinlerin ilaç keşfindeki yeri, bu alandaki temel çalışmalardan biri olan Dyson ve Wright’ın 2005 tarihli Nature Reviews Molecular Cell Biology derlemesinden beri tartışılıyor. Ptarmigan-1’in yaklaşımı, bu proteinleri yapıya zorla oturtmak yerine hücre içindeki ölçümlere ve kalıntı düzeyindeki öğrenmeye dayanıyor. Bu da hesaplamalı modelin başarısının, altındaki proteomik veri üretim hattının kalitesine bağlı olduğunu gösteriyor.

Haber kaynağı: The Scientist

Editör Yorumu!

Hücre içi koşullarda, kütle spektrometresi tabanlı proteomik veri üretmek bu tür yapı-bağımsız modellerin asıl hammaddesi. Pino'nun tarif ettiği zincir (numune hazırlama, spektrometre kapasitesi, veri depolama ve uyumlaştırma) hesaplama kadar laboratuvar altyapısının da belirleyici olduğunu gösteriyor. Proteomik çalışan laboratuvarlar için pratik soru, kendi numune hazırlama ve veri yönetimi hatlarının bu ölçekte otomasyona ne kadar hazır olduğu. Portal üzerinden verilen açık erişim, yapısı bilinmeyen hedefler üzerinde çalışan gruplara kendi hedeflerini düşük maliyetle deneme imkânı sunabilir. Yine de sonuçlar henüz ön baskı aşamasında ve STAT6 örneğiyle sınırlı. Hakemli yayını ve laboratuvar doğrulamalarını izlemek gerekir. Bir aday ileride klinik süreçle ilerlerse Türkiye'de ruhsatlandırma TİTCK'nın yetkisinde olacak.

Yapıdan bağımsız modeller, proteinin 3D şeklini kullanmak yerine hücre içi ölçümlerden öğrenir. Ptarmigan-1 örneğinde model, insan hücre hatlarında proteomik yöntemle ölçülen veriyle eğitildi ve bireysel amino asit düzeyinde ligand etkileşim olasılığını gösteren haritalar üretiyor. Katlanma adımı atlandığı için tarama hızlanıyor.

Birçok protein, özellikle doğal yapısı düzensiz olanlar, hücreden çıkarıldığında şeklini koruyamadığı için X-ışını kristalografisi gibi yöntemlerle çözülemiyor. Protein veri bankalarında yeterince temsil edilmediklerinden yapı temelli modeller bunlarda işe yaramıyor. Bu "karanlık proteom" hastalıkla ilişkili proteinler de içeriyor.

Ortak katlanma modelleri ilaç-hedef etkileşimini proteinin 3D yapısından yola çıkarak tahmin eder. Ptarmigan-1 ise katlanmayı atlar ve amino asit düzeyindeki bilgiyi korur. Geliştiricilere göre bu sayede tüm proteom bir milyardan fazla bileşiğe karşı bir günde taranabiliyor. STAT6 testinde de karşılaştırma modelinin bulamadığı adayları belirledi.

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.