Google Research, protein bağlayıcı tasarımında yapay zekâ ajanlarını laboratuvara taşıyor

Google Research, protein bağlayıcı (binder) tasarımında yapay zekâ ajanlarının bilim insanlarıyla birlikte nasıl çalışabileceğini gösteren bir çalışma paylaştı. Şirketin araştırma birimine göre eşit hesaplama gücünde yapılan karşılaştırmada, üst düzey stratejiyi bilim insanının belirlediği ve taktik uygulamayı ajanın yürüttüğü işbirliği, tek başına çalışan bilim insanına kıyasla sanal ortamdaki (in-silico) isabet oranını neredeyse ikiye katladı. İşbirliği ayrıca çok daha geniş bir hedef bölge yelpazesinde sonuç buldu.

Protein tasarımında hesaplama yükü nerede birikiyor?

Araştırmacıların aktardığına göre sıfırdan bağlayıcı tasarımı hesaplama açısından üç adımdan oluşuyor: aday iskeletlerin üretilmesi, bunlara uyacak dizilerin tasarlanması ve elde edilen komplekslerin bağlanmayı tahmin etmek için yeniden katlanması. Son yeniden katlama adımı, GPU hesaplama gücünün büyük bölümünü tüketiyor; çünkü bu adım hedef uzunluğuyla karesel olarak ölçekleniyor.

Ekip, katlama sırasında yalnızca yerel bağlanma cebini cerrahi biçimde ayırarak her döngüyü yapısal doğruluktan ödün vermeden sekiz kattan fazla hızlandırdı. Bu yaklaşım, nereye bağlanılacağı ve çevredeki yapının ne kadarının dahil edileceği kararlarını, LLM ajanlarının optimize etmeye uygun taktik kaldıraçlara dönüştürüyor.

Islak laboratuvar tarafı nasıl ölçeklendi?

Google Research, hesaplama hattının yanında ıslak laboratuvar taramasını da ölçeklendirmek için maya yüzey gösterimini floresan aktive edilmiş hücre ayrıştırmayla (FACS) operasyonel hale getirdi. Şirketin açıklamasına göre bu iş akışı, tasarlanmış protein varyantlarından oluşan büyük kütüphanelerin floresan yoluyla paralel taranmasına imkân tanıyor.

Neden önemli?

Çalışmanın odağı, yapay zekâ ajanlarının yalnızca yazılım görevlerinde değil, deneysel biyolojide de karar verici bir rol üstlenip üstlenemeyeceği. Araştırmacılar, ajanların karmaşık ve düzensiz biyolojik arama uzaylarında doğrudan yol almasını sağlamayı hedefliyor. Google Research'ün açıklamasına göre bir sonraki adım, VERID'in tam izlenebilir otomasyonunu protein keşfi için kapalı döngü öğrenmeyle birleştirmek. Türkiye'deki araştırma ekiplerinin bu iş akışlarına erişimi ya da kullanım takvimi konusunda kaynakta bir bilgi yer almıyor.