AlphaFold, Alphabet'in bir yan kuruluşu olan DeepMind tarafından protein yapısını tahmin etme üzerine geliştirilen bir yapay zeka programı. Program, bir derin öğrenme sistemi olarak tasarlanmıştır.
AlphaFold yazılımının üç ana versiyonu bulunmaktadır. AlphaFold 1 (2018) kullanan bir araştırma ekibi, Aralık 2018'de 13. CASP genel sıralamasında birinci oldu. Program, yarışma organizatörleri tarafından en zor olarak değerlendirilen ve kısmen benzer diziye sahip proteinlerden mevcut şablon yapıları bulunmayan hedefler için en doğru yapıyı tahmin etmede özellikle başarılı oldu. AlphaFold 2 (2020) kullanan bir ekip, Kasım 2020'deki CASP14 yarışmasında bu konumunu tekrarladı. Ekip, diğer gruplardan çok daha yüksek bir doğruluk seviyesine ulaştı. CASP'ın global mesafe testi (GDT) adı verilen ve bir hesaplama programının tahmin ettiği yapının laboratuvarda belirlenen yapıya ne kadar benzediğini ölçen testte, 100 tam bir eşleşme olacak şekilde, iki protein arasındaki mesafe eşiği kullanılarak hesaplanan GDT'de, proteinlerin yaklaşık üçte ikisi için 90'ın üzerinde bir skor elde etti.
AlphaFold 2'nin CASP14'teki sonuçları "şaşırtıcı" ve "dönüştürücü" olarak tanımlandı. Bazı araştırmacılar, tahminlerinin üçte biri için doğruluğun yeterince yüksek olmadığını ve sorununu çözmek için mekanizmayı veya kuralları ortaya koymadığını belirtti. Buna rağmen, teknik başarı geniş çapta takdir gördü. 15 Temmuz 2021'de AlphaFold 2 makalesi, Nature'da ön erişim yayını olarak, açık kaynak yazılım ve türlerin aranabilir bir veritabanı ile birlikte olarak yayımlandı.
AlphaFold 3, 8 Mayıs 2024'te duyuruldu. Bu versiyon, DNA, RNA, çeşitli ligandlar ve iyonlar ile proteinler tarafından oluşturulan protein komplekslerinin yapısını tahmin edebilmektedir.
Arka Plan
![image](https://www.wikipedia.tr-tr.nina.az/image/aHR0cHM6Ly93d3cud2lraXBlZGlhLnRyLXRyLm5pbmEuYXovaW1hZ2UvYUhSMGNITTZMeTkxY0d4dllXUXVkMmxyYVcxbFpHbGhMbTl5Wnk5M2FXdHBjR1ZrYVdFdlkyOXRiVzl1Y3k5MGFIVnRZaTlrTDJSa0wxQnliM1JsYVc1ZlptOXNaR2x1WjE5bWFXZDFjbVV1Y0c1bkx6TXdNSEI0TFZCeWIzUmxhVzVmWm05c1pHbHVaMTltYVdkMWNtVXVjRzVuLnBuZw==.png)
Proteinler, kendiliğinden katlanarak proteinlerin üç boyutlu (3D) yapısını oluşturan amino asit zincirlerinden oluşur. 3D yapı, proteinin biyolojik fonksiyonunu anlamak için hayati öneme sahiptir.
Protein yapıları, X ışını kristalografisi, krio-elektron mikroskopisi ve nükleer manyetik rezonans gibi deneysel teknikler kullanılarak belirlenebilir, ancak bu teknikler pahalı ve zaman alıcıdır. Bu tür çabalar, deneysel yöntemler kullanarak son 60 yılda yaklaşık 170.000 proteinin yapısını belirlemişken, tüm yaşam formlarında bilinen protein sayısı 200 milyondan fazladır.
Yıllar boyunca, araştırmacılar amino asit dizilerinden proteinlerin 3D yapılarını tahmin etmek için birçok hesaplama yöntemini uygulamışlardır, ancak bu yöntemlerin doğruluğu deneysel tekniklere yakın olmamıştır. 1994 yılında bilim topluluğunu en iyi protein yapı tahminlerini üretmeye zorlamak amacıyla başlatılan , 2016 yılına kadar en zor proteinler için sadece yaklaşık 40/100 GDT skorlarının elde edilebileceğini bulabilmişti. AlphaFold, 2018 CASP'ta bir yapay zeka (AI) derin öğrenme tekniği kullanarak bu yarışmaya başladı.
Algoritma
DeepMind'in, protein dizileri ve yapılarından oluşan halka açık bir depodan 170.000'den fazla protein üzerinde programı eğittiği bilinmektedir. Program, olarak bilinen bir derin öğrenme tekniği kullanmaktadır. Bu teknik, yapay zekâ'nın daha büyük bir sorunun parçalarını tanımlayıp ardından genel çözümü elde etmek için bu parçaları bir araya getirmesine odaklanmaktadır. Genel eğitim, 100 ile 200 arasında GPU işlem gücü üzerinde gerçekleştirilmiştir.
AlphaFold 1 (2018)
AlphaFold 1 (2018), 2010'larda çeşitli ekipler tarafından geliştirilen çalışmalara dayanıyordu. Bu çalışmalar, şimdi birçok farklı organizmadan elde edilen ilgili DNA dizilerinin büyük veri bankalarına bakarak, ana zincirde ardışık olmasalar bile, farklı ortaya çıkan değişikliklerin ilişkili olduğunu bulmaya çalışıyordu. Bu tür korelasyonlar, kalıntıların dizide birbirine yakın olmasalar bile fiziksel olarak birbirine yakın olabileceğini düşündürmektedir, bu da bir tahmin edilmesini sağlar. 2018 öncesindeki son çalışmalara dayanarak, AlphaFold 1 bunu genişleterek kalıntıların ne kadar yakın olma olasılığının tahmin edilmesi için bir olasılık dağılımı tahmin etti—temas haritasını olası bir mesafe haritasına dönüştürdü. Ayrıca, çıkarım geliştirmek için önceki yöntemlere göre daha gelişmiş öğrenme yöntemleri kullandı.
AlphaFold 2 (2020)
![image](https://www.wikipedia.tr-tr.nina.az/image/aHR0cHM6Ly93d3cud2lraXBlZGlhLnRyLXRyLm5pbmEuYXovaW1hZ2UvYUhSMGNITTZMeTkxY0d4dllXUXVkMmxyYVcxbFpHbGhMbTl5Wnk5M2FXdHBjR1ZrYVdFdlkyOXRiVzl1Y3k5MGFIVnRZaTh5THpJekwwRnNjR2hoUm05c1pGOHlMbkJ1Wnk4eU9UQndlQzFCYkhCb1lVWnZiR1JmTWk1d2JtYz0ucG5n.png)
![image](https://www.wikipedia.tr-tr.nina.az/image/aHR0cHM6Ly93d3cud2lraXBlZGlhLnRyLXRyLm5pbmEuYXovaW1hZ2UvYUhSMGNITTZMeTkxY0d4dllXUXVkMmxyYVcxbFpHbGhMbTl5Wnk5M2FXdHBjR1ZrYVdFdlkyOXRiVzl1Y3k5MGFIVnRZaTh6THpNeEwwRnlZMmhwZEdWamRIVnlZV3hmWkdWMFlXbHNjMTl2Wmw5QmJIQm9ZVVp2YkdSZk1pNXdibWN2TWprd2NIZ3RRWEpqYUdsMFpXTjBkWEpoYkY5a1pYUmhhV3h6WDI5bVgwRnNjR2hoUm05c1pGOHlMbkJ1Wnc9PS5wbmc=.png)
DeepMind ekibine göre, 2020 versiyonu, 2018'de CASP 13'ü kazanan orijinal versiyondan önemli ölçüde farklıdır.
AlphaFold 1'de kullanılan yazılım tasarımı, her biri ayrı ayrı eğitilen ve daha sonra fizik tabanlı enerji potansiyeli ile birleştirilen kılavuz potansiyeli üretmek için kullanılan bir dizi modül içeriyordu. AlphaFold 2, bunun yerine tamamen desen tanıma üzerine kurulu, tek bir farklılaştırılabilir uçtan uca modele birleştirilmiş alt ağlar sistemini getirdi ve bu, tek bir entegre yapı olarak bütünleşik bir şekilde eğitildi. Yerel fizik, AMBER modeline dayalı enerji iyileştirme şeklinde, yalnızca sinir ağı tahmini birleştikten sonra son bir iyileştirme adımı olarak uygulanır ve tahmin edilen yapıyı sadece biraz ayarlar.
2020 sisteminin önemli bir parçası, her biri bir proteinin amino asit kalıntısı ile başka bir amino asit kalıntısı arasındaki ilişki (graf teori terminolojisinde "kenar") için bir bilgi vektörünü aşamalı olarak iyileştirmek için kullanılan, bir Transformer tasarımına dayandığı düşünülen iki modüldür (bu ilişkiler yeşil renkte gösterilen dizi ile temsil edilir); ve her amino asit pozisyonu ile giriş dizi hizalamasındaki her farklı diziler arasındaki ilişkiler (bu ilişkiler kırmızı renkte gösterilen dizi ile temsil edilir). İçsel olarak, bu iyileştirme dönüşümleri, bu ilişkiler için bağlam bağımlı bir şekilde, eğitim verilerinden öğrenilen, ilgili verileri bir araya getirmenin ve ilgisiz verileri filtrelemenin ("dikkat mekanizması") etkisini içeren katmanlar içerir. Bu dönüşümler yinelenir, bir adımın güncellenmiş bilgi çıktısı bir sonrakinin girdisi olur, keskinleşen kalıntı/kalıntı bilgisi, kalıntı/dizi bilgisinin güncellenmesine katkıda bulunup daha sonrasında iyileşen kalıntı/dizi bilgisi, kalıntı/kalıntı bilgisinin güncellenmesine katkıda bulunur. Bir rapora göre yineleme ilerledikçe, "dikkat algoritması ... bir kişinin bir yapbozu birleştirme biçimini taklit eder: önce küçük kümelerdeki parçaları—bu durumda amino asit kümeleri—birbirine bağlayarak ve ardından kümeleri daha büyük bir bütün halinde birleştirmenin yollarını arayarak."
Bu yinelemelerin çıktısı, nihai yapı tahmin modülünü bilgilendirir, ki bu modül de Transformerlar kullanır, ve kendisi de yinelemelidir. DeepMind tarafından sunulan bir örnekte, yapı tahmin modülü ilk yinelemesinde hedef protein için doğru bir topoloji elde etti ve GDT_TS skoru 78 olarak değerlendirildi, ancak büyük bir sayıda (90%) stereokimyasal ihlal – yani fiziksel olmayan bağ açıları veya uzunlukları – içeriyordu. Sonraki yinelemelerle stereokimyasal ihlallerin sayısı azaldı. Üçüncü yinelemede tahminin GDT_TS skoru 90'a yaklaşıyor ve sekizinci yinelemede stereokimyasal ihlaller neredeyse sıfıra iniyordu.
Eğitim verileri başlangıçta tek peptid zincirleri ile sınırlıydı. Ancak, Ekim 2021'de yayınlanan ve AlphaFold-Multimer olarak adlandırılan güncelleme, eğitim verilerine protein komplekslerini dahil etti. DeepMind, bu güncellemenin protein-protein etkileşimlerini doğru bir şekilde tahmin etmede yaklaşık %70 başarı sağladığını belirtti.
AlphaFold 3 (2024)
8 Mayıs 2024'te duyurulan AlphaFold 3, Alphabet'in yan kuruluşları olan Google DeepMind ve Isomorphic Labs tarafından ortaklaşa geliştirildi. AlphaFold 3, tek zincirli proteinlerle sınırlı olmayıp, DNA, RNA, sonrası translasyonel modifikasyonlar ve belirli ligandlar ve iyonlar ile protein komplekslerinin yapılarını da tahmin edebilmektedir.
AlphaFold 3, AlphaFold 2 ile tanıtılan Evoformer'a benzer ancak daha basit bir yapı olan "Pairformer" adlı derin öğrenme mimarisini tanıtmıştır. Pairformer modülünden gelen ham tahminler bir aktarılmakta, bu model atom bulutuyla başlayıp bu tahminleri kullanarak moleküler yapının 3 boyutlu bir tasvirine doğru iteratif olarak ilerlemektedir.
AlphaFold sunucusu, ticari olmayan araştırmalar için AlphaFold 3'e ücretsiz erişim sağlamak amacıyla erişime açıktır.
Kaynak kodu
DeepMind, bilim camiasından gelen talepler üzerine AlphaFold'un çeşitli sürümlerinin (AlphaFold 3 hariç) kaynak koduna açık erişim sağlamıştır. AlphaFold-3'ün tam kaynak kodunun 2024 yılı sonuna kadar açık erişime sunulması beklenmektedir.
Uygulamalar
AlphaFold, COVID-19'un neden olduğu SARS-CoV-2 virüsünün proteinlerinin yapılarının tahmininde kullanılmıştır. Bu proteinlerin yapıları, 2020'nin başlarında deneysel olarak belirlenmekteydi. Sonuçlar, geniş araştırma topluluğuna sunulmadan önce Birleşik Krallık'taki 'teki bilim insanları tarafından incelenmiştir. Ekip ayrıca, hesaplamalı olarak belirlenen yapıların Protein Veri Bankası'nda (PDB) paylaşılan deneysel olarak belirlenen SARS-CoV-2 spike proteini ile karşılaştırıldığını doğrulamıştır. Ekip, bu protein yapıların devam eden terapötik araştırma çabalarının konusu olmasa da, SARS-CoV-2 virüsünün anlaşılmasına katkıda bulunacağını kabul etmiştir. Özellikle, AlphaFold 2'nin ORF3a proteininin yapısının tahmini, kriyo-elektron mikroskopisi kullanarak University of California, Berkeley'deki araştırmacılar tarafından belirlenen yapıya çok benzemektedir. Bu spesifik proteinin, virüsün konak hücreden çıkmasına yardımcı olduğu ve enfeksiyona karşı inflamatuar yanıtı tetiklemekte rol oynadığı düşünülmektedir.
Kaynaklar
- ^ "AlphaFold". Deepmind. Erişim tarihi: 30 Kasım 2020.
- ^ a b c d e "DeepMind's protein-folding AI has solved a 50-year-old grand challenge of biology". MIT Technology Review (İngilizce). Erişim tarihi: 30 Kasım 2020.
- ^ Shead, Sam (30 Kasım 2020). "DeepMind solves 50-year-old 'grand challenge' with protein folding A.I." CNBC (İngilizce). Erişim tarihi: 30 Kasım 2020.
- ^ Stoddart, Charlotte (1 Mart 2022). "Structural biology: How proteins got their close-up". Knowable Magazine. doi:10.1146/knowable-022822-1. Erişim tarihi: 25 Mart 2022.
- ^ a b c d Robert F. Service, 'The game has changed.' AI triumphs at solving protein structures, Science, 30 November 2020
- ^ Mohammed AlQuraishi, CASP14 scores just came out and they're astounding, Twitter, 30 November 2020.
- ^ a b Callaway, Ewen (30 Kasım 2020). "'It will change everything': DeepMind's AI makes gigantic leap in solving protein structures". Nature (İngilizce). 588 (7837). ss. 203-204. Bibcode:2020Natur.588..203C. doi:10.1038/d41586-020-03348-4. (PMID) 33257889.
- ^ Stephen Curry, No, DeepMind has not solved protein folding, Reciprocal Space (blog), 2 December 2020
- ^ Balls, Phillip (9 Aralık 2020). "Behind the screens of AlphaFold". Chemistry World.
- ^ Jumper, John; Evans, Richard; Pritzel, Alexander; Green, Tim; Figurnov, Michael; Ronneberger, Olaf; Tunyasuvunakool, Kathryn; Bates, Russ; Žídek, Augustin; Potapenko, Anna; Bridgland, Alex; Meyer, Clemens; Kohl, Simon A A; Ballard, Andrew J; Cowie, Andrew; Romera-Paredes, Bernardino; Nikolov, Stanislav; Jain, Rishub; Adler, Jonas; Back, Trevor; Petersen, Stig; Reiman, David; Clancy, Ellen; Zielinski, Michal; Steinegger, Martin; Pacholska, Michalina; Berghammer, Tamas; Bodenstein, Sebastian; Silver, David; Vinyals, Oriol; Senior, Andrew W; Kavukcuoglu, Koray; Kohli, Pushmeet; Hassabis, Demis (15 Temmuz 2021). "Highly accurate protein structure prediction with AlphaFold". Nature (İngilizce). 596 (7873). ss. 583-589. Bibcode:2021Natur.596..583J. doi:10.1038/s41586-021-03819-2. (PMC) 8371605 $2. (PMID) 34265844.
- ^ "GitHub - deepmind/alphafold: Open source code for AlphaFold". GitHub (İngilizce). Erişim tarihi: 24 Temmuz 2021.
- ^ "AlphaFold Protein Structure Database". alphafold.ebi.ac.uk. Erişim tarihi: 24 Temmuz 2021.
- ^ Mohammed AlQuraishi (May 2019), AlphaFold at CASP13, Bioinformatics, 35(22), 4862–4865 DOI:10.1093/bioinformatics/btz422. See also Mohammed AlQuraishi (December 9, 2018), AlphaFold @ CASP13: "What just happened?" (blog post).
Mohammed AlQuraishi (15 January 2020), A watershed moment for protein structure prediction, Nature 577, 627–628 DOI:10.1038/d41586-019-03951-0 - ^ AlphaFold: Machine learning for protein structure prediction, Foldit, 31 January 2020
- ^ a b Jumper, John; ve diğerleri. (August 2021). "Highly accurate protein structure prediction with AlphaFold". Nature (İngilizce). 596 (7873). ss. 583-589. Bibcode:2021Natur.596..583J. doi:10.1038/s41586-021-03819-2. ISSN 1476-4687. (PMC) 8371605 $2. (PMID) 34265844.
- ^ "DeepMind is answering one of biology's biggest challenges". The Economist. 30 Kasım 2020. ISSN 0013-0613. Erişim tarihi: 30 Kasım 2020.
- ^ a b Jeremy Kahn, DeepMind'ın protein katlanması üzerindeki yapay zeka atılımından çıkarılan dersler, Fortune, 1 Aralık 2020
- ^ a b c d Bknz. blok diyagramı. Ayrıca John Jumper et al. (1 Aralık 2020), AlphaFold 2 sunumu, slayt 10
- ^ John Jumper ve diğerleri, konferans özeti (Aralık 2020)
- ^ Yapı modülünün "3-boyutlu eşdeğer dönüştürücü mimarisi" kullandığı belirtilmiştir (John Jumper et al. (1 Aralık 2020), AlphaFold 2 sunumu, slayt 12).
SE(3)-eşdeğerlik ile bir dönüştürücü ağ tasarımı, Fabian Fuchs et al SE(3)-Dönüştürücüler: 3D Roto-Çeviri Eşdeğer Dikkat Ağları, NeurIPS 2020'de önerildi; ayrıca web sitesi. Bunun AlphaFold'da kullanılanla ne kadar benzer ya da farklı olduğu bilinmemektedir.
AlQuaraishi'nin bu konudaki blog yazısı veya Fabian Fuchs'un daha detaylı yazısı incelenebilir - ^ John Jumper et al. (1 Aralık 2020), AlphaFold 2 sunumu, slaytlar 12-20
- ^ Callaway, Ewen (13 Nisan 2022). "What's next for AlphaFold and the AI protein-folding revolution". Nature (İngilizce). 604 (7905). ss. 234-238. Bibcode:2022Natur.604..234C. doi:10.1038/d41586-022-00997-5. (PMID) 35418629.
- ^ Metz, Cade (8 Mayıs 2024). "Google Unveils A.I. for Predicting Behavior of Human Molecules". The New York Times (İngilizce). ISSN 0362-4331. Erişim tarihi: 9 Mayıs 2024.
- ^ Abramson, Josh; Adler, Jonas; Dunger, Jack; Evans, Richard; Green, Tim; Pritzel, Alexander; Ronneberger, Olaf; Willmore, Lindsay; Ballard, Andrew J.; Bambrick, Joshua; Bodenstein, Sebastian W.; Evans, David A.; Hung, Chia-Chun; O’Neill, Michael; Reiman, David (8 Mayıs 2024). "Accurate structure prediction of biomolecular interactions with AlphaFold 3". Nature (İngilizce). ss. 1-3. doi:10.1038/s41586-024-07487-w. ISSN 1476-4687. (PMC) 11168924 $2.
- ^ Accurate structure prediction of biomolecular interactions with AlphaFold 3, pdf of preprint of the article in Nature.
- ^ A non-commercial server of AlphaFold-3
- ^ Domínguez, Nuño (2 Aralık 2020). "La inteligencia artificial arrasa en uno de los problemas más importantes de la biología". El País (İspanyolca). Erişim tarihi: 12 Mayıs 2024.
- ^ Briggs, David (4 Aralık 2020). "If Google's Alphafold2 really has solved the protein folding problem, they need to show their working". The Skeptic (İngilizce). Erişim tarihi: 12 Mayıs 2024.
- ^ Demis Hassabis, "Brief update on some exciting progress on #AlphaFold!" (tweet), via twitter, 18 June 2021
- ^ AlphaFold3 — why did Nature publish it without its code?
- ^ AlphaFold 3: Stepping into the future of structure prediction
- ^ "AI Can Help Scientists Find a Covid-19 Vaccine". Wired (İngilizce). ISSN 1059-1028. Erişim tarihi: 1 Aralık 2020.
- ^ a b "Computational predictions of protein structures associated with COVID-19". Deepmind. 4 Ağustos 2020. Erişim tarihi: 1 Aralık 2020.
- ^ "How DeepMind's new protein-folding A.I. is already helping to combat the coronavirus pandemic." Fortune (İngilizce). Erişim tarihi: 1 Aralık 2020.
wikipedia, wiki, viki, vikipedia, oku, kitap, kütüphane, kütübhane, ara, ara bul, bul, herşey, ne arasanız burada,hikayeler, makale, kitaplar, öğren, wiki, bilgi, tarih, yukle, izle, telefon için, turk, türk, türkçe, turkce, nasıl yapılır, ne demek, nasıl, yapmak, yapılır, indir, ücretsiz, ücretsiz indir, bedava, bedava indir, mp3, video, mp4, 3gp, jpg, jpeg, gif, png, resim, müzik, şarkı, film, film, oyun, oyunlar, mobil, cep telefonu, telefon, android, ios, apple, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, pc, web, computer, bilgisayar
AlphaFold Alphabet in bir yan kurulusu olan DeepMind tarafindan protein yapisini tahmin etme uzerine gelistirilen bir yapay zeka programi Program bir derin ogrenme sistemi olarak tasarlanmistir AlphaFold yaziliminin uc ana versiyonu bulunmaktadir AlphaFold 1 2018 kullanan bir arastirma ekibi Aralik 2018 de 13 CASP genel siralamasinda birinci oldu Program yarisma organizatorleri tarafindan en zor olarak degerlendirilen ve kismen benzer diziye sahip proteinlerden mevcut sablon yapilari bulunmayan hedefler icin en dogru yapiyi tahmin etmede ozellikle basarili oldu AlphaFold 2 2020 kullanan bir ekip Kasim 2020 deki CASP14 yarismasinda bu konumunu tekrarladi Ekip diger gruplardan cok daha yuksek bir dogruluk seviyesine ulasti CASP in global mesafe testi GDT adi verilen ve bir hesaplama programinin tahmin ettigi yapinin laboratuvarda belirlenen yapiya ne kadar benzedigini olcen testte 100 tam bir eslesme olacak sekilde iki protein arasindaki mesafe esigi kullanilarak hesaplanan GDT de proteinlerin yaklasik ucte ikisi icin 90 in uzerinde bir skor elde etti AlphaFold 2 nin CASP14 teki sonuclari sasirtici ve donusturucu olarak tanimlandi Bazi arastirmacilar tahminlerinin ucte biri icin dogrulugun yeterince yuksek olmadigini ve sorununu cozmek icin mekanizmayi veya kurallari ortaya koymadigini belirtti Buna ragmen teknik basari genis capta takdir gordu 15 Temmuz 2021 de AlphaFold 2 makalesi Nature da on erisim yayini olarak acik kaynak yazilim ve turlerin aranabilir bir veritabani ile birlikte olarak yayimlandi AlphaFold 3 8 Mayis 2024 te duyuruldu Bu versiyon DNA RNA cesitli ligandlar ve iyonlar ile proteinler tarafindan olusturulan protein komplekslerinin yapisini tahmin edebilmektedir Arka PlanAmino asit zincirleri polipeptit olarak bilinir katlanarak bir protein olusturur Proteinler kendiliginden katlanarak proteinlerin uc boyutlu 3D yapisini olusturan amino asit zincirlerinden olusur 3D yapi proteinin biyolojik fonksiyonunu anlamak icin hayati oneme sahiptir Protein yapilari X isini kristalografisi krio elektron mikroskopisi ve nukleer manyetik rezonans gibi deneysel teknikler kullanilarak belirlenebilir ancak bu teknikler pahali ve zaman alicidir Bu tur cabalar deneysel yontemler kullanarak son 60 yilda yaklasik 170 000 proteinin yapisini belirlemisken tum yasam formlarinda bilinen protein sayisi 200 milyondan fazladir Yillar boyunca arastirmacilar amino asit dizilerinden proteinlerin 3D yapilarini tahmin etmek icin bircok hesaplama yontemini uygulamislardir ancak bu yontemlerin dogrulugu deneysel tekniklere yakin olmamistir 1994 yilinda bilim toplulugunu en iyi protein yapi tahminlerini uretmeye zorlamak amaciyla baslatilan 2016 yilina kadar en zor proteinler icin sadece yaklasik 40 100 GDT skorlarinin elde edilebilecegini bulabilmisti AlphaFold 2018 CASP ta bir yapay zeka AI derin ogrenme teknigi kullanarak bu yarismaya basladi AlgoritmaDeepMind in protein dizileri ve yapilarindan olusan halka acik bir depodan 170 000 den fazla protein uzerinde programi egittigi bilinmektedir Program olarak bilinen bir derin ogrenme teknigi kullanmaktadir Bu teknik yapay zeka nin daha buyuk bir sorunun parcalarini tanimlayip ardindan genel cozumu elde etmek icin bu parcalari bir araya getirmesine odaklanmaktadir Genel egitim 100 ile 200 arasinda GPU islem gucu uzerinde gerceklestirilmistir AlphaFold 1 2018 AlphaFold 1 2018 2010 larda cesitli ekipler tarafindan gelistirilen calismalara dayaniyordu Bu calismalar simdi bircok farkli organizmadan elde edilen ilgili DNA dizilerinin buyuk veri bankalarina bakarak ana zincirde ardisik olmasalar bile farkli ortaya cikan degisikliklerin iliskili oldugunu bulmaya calisiyordu Bu tur korelasyonlar kalintilarin dizide birbirine yakin olmasalar bile fiziksel olarak birbirine yakin olabilecegini dusundurmektedir bu da bir tahmin edilmesini saglar 2018 oncesindeki son calismalara dayanarak AlphaFold 1 bunu genisleterek kalintilarin ne kadar yakin olma olasiliginin tahmin edilmesi icin bir olasilik dagilimi tahmin etti temas haritasini olasi bir mesafe haritasina donusturdu Ayrica cikarim gelistirmek icin onceki yontemlere gore daha gelismis ogrenme yontemleri kullandi AlphaFold 2 2020 AlphaFold 2 nin performansi deneyleri ve mimarisiiAlphaFold 2 mimarisi detaylari DeepMind ekibine gore 2020 versiyonu 2018 de CASP 13 u kazanan orijinal versiyondan onemli olcude farklidir AlphaFold 1 de kullanilan yazilim tasarimi her biri ayri ayri egitilen ve daha sonra fizik tabanli enerji potansiyeli ile birlestirilen kilavuz potansiyeli uretmek icin kullanilan bir dizi modul iceriyordu AlphaFold 2 bunun yerine tamamen desen tanima uzerine kurulu tek bir farklilastirilabilir uctan uca modele birlestirilmis alt aglar sistemini getirdi ve bu tek bir entegre yapi olarak butunlesik bir sekilde egitildi Yerel fizik AMBER modeline dayali enerji iyilestirme seklinde yalnizca sinir agi tahmini birlestikten sonra son bir iyilestirme adimi olarak uygulanir ve tahmin edilen yapiyi sadece biraz ayarlar 2020 sisteminin onemli bir parcasi her biri bir proteinin amino asit kalintisi ile baska bir amino asit kalintisi arasindaki iliski graf teori terminolojisinde kenar icin bir bilgi vektorunu asamali olarak iyilestirmek icin kullanilan bir Transformer tasarimina dayandigi dusunulen iki moduldur bu iliskiler yesil renkte gosterilen dizi ile temsil edilir ve her amino asit pozisyonu ile giris dizi hizalamasindaki her farkli diziler arasindaki iliskiler bu iliskiler kirmizi renkte gosterilen dizi ile temsil edilir Icsel olarak bu iyilestirme donusumleri bu iliskiler icin baglam bagimli bir sekilde egitim verilerinden ogrenilen ilgili verileri bir araya getirmenin ve ilgisiz verileri filtrelemenin dikkat mekanizmasi etkisini iceren katmanlar icerir Bu donusumler yinelenir bir adimin guncellenmis bilgi ciktisi bir sonrakinin girdisi olur keskinlesen kalinti kalinti bilgisi kalinti dizi bilgisinin guncellenmesine katkida bulunup daha sonrasinda iyilesen kalinti dizi bilgisi kalinti kalinti bilgisinin guncellenmesine katkida bulunur Bir rapora gore yineleme ilerledikce dikkat algoritmasi bir kisinin bir yapbozu birlestirme bicimini taklit eder once kucuk kumelerdeki parcalari bu durumda amino asit kumeleri birbirine baglayarak ve ardindan kumeleri daha buyuk bir butun halinde birlestirmenin yollarini arayarak Bu yinelemelerin ciktisi nihai yapi tahmin modulunu bilgilendirir ki bu modul de Transformerlar kullanir ve kendisi de yinelemelidir DeepMind tarafindan sunulan bir ornekte yapi tahmin modulu ilk yinelemesinde hedef protein icin dogru bir topoloji elde etti ve GDT TS skoru 78 olarak degerlendirildi ancak buyuk bir sayida 90 stereokimyasal ihlal yani fiziksel olmayan bag acilari veya uzunluklari iceriyordu Sonraki yinelemelerle stereokimyasal ihlallerin sayisi azaldi Ucuncu yinelemede tahminin GDT TS skoru 90 a yaklasiyor ve sekizinci yinelemede stereokimyasal ihlaller neredeyse sifira iniyordu Egitim verileri baslangicta tek peptid zincirleri ile sinirliydi Ancak Ekim 2021 de yayinlanan ve AlphaFold Multimer olarak adlandirilan guncelleme egitim verilerine protein komplekslerini dahil etti DeepMind bu guncellemenin protein protein etkilesimlerini dogru bir sekilde tahmin etmede yaklasik 70 basari sagladigini belirtti AlphaFold 3 2024 8 Mayis 2024 te duyurulan AlphaFold 3 Alphabet in yan kuruluslari olan Google DeepMind ve Isomorphic Labs tarafindan ortaklasa gelistirildi AlphaFold 3 tek zincirli proteinlerle sinirli olmayip DNA RNA sonrasi translasyonel modifikasyonlar ve belirli ligandlar ve iyonlar ile protein komplekslerinin yapilarini da tahmin edebilmektedir AlphaFold 3 AlphaFold 2 ile tanitilan Evoformer a benzer ancak daha basit bir yapi olan Pairformer adli derin ogrenme mimarisini tanitmistir Pairformer modulunden gelen ham tahminler bir aktarilmakta bu model atom bulutuyla baslayip bu tahminleri kullanarak molekuler yapinin 3 boyutlu bir tasvirine dogru iteratif olarak ilerlemektedir AlphaFold sunucusu ticari olmayan arastirmalar icin AlphaFold 3 e ucretsiz erisim saglamak amaciyla erisime aciktir Kaynak koduDeepMind bilim camiasindan gelen talepler uzerine AlphaFold un cesitli surumlerinin AlphaFold 3 haric kaynak koduna acik erisim saglamistir AlphaFold 3 un tam kaynak kodunun 2024 yili sonuna kadar acik erisime sunulmasi beklenmektedir UygulamalarAlphaFold COVID 19 un neden oldugu SARS CoV 2 virusunun proteinlerinin yapilarinin tahmininde kullanilmistir Bu proteinlerin yapilari 2020 nin baslarinda deneysel olarak belirlenmekteydi Sonuclar genis arastirma topluluguna sunulmadan once Birlesik Krallik taki teki bilim insanlari tarafindan incelenmistir Ekip ayrica hesaplamali olarak belirlenen yapilarin Protein Veri Bankasi nda PDB paylasilan deneysel olarak belirlenen SARS CoV 2 spike proteini ile karsilastirildigini dogrulamistir Ekip bu protein yapilarin devam eden terapotik arastirma cabalarinin konusu olmasa da SARS CoV 2 virusunun anlasilmasina katkida bulunacagini kabul etmistir Ozellikle AlphaFold 2 nin ORF3a proteininin yapisinin tahmini kriyo elektron mikroskopisi kullanarak University of California Berkeley deki arastirmacilar tarafindan belirlenen yapiya cok benzemektedir Bu spesifik proteinin virusun konak hucreden cikmasina yardimci oldugu ve enfeksiyona karsi inflamatuar yaniti tetiklemekte rol oynadigi dusunulmektedir Kaynaklar AlphaFold Deepmind Erisim tarihi 30 Kasim 2020 Arsivlenmesi gereken baglantiya sahip kaynak sablonu iceren maddeler link a b c d e DeepMind s protein folding AI has solved a 50 year old grand challenge of biology MIT Technology Review Ingilizce Erisim tarihi 30 Kasim 2020 Arsivlenmesi gereken baglantiya sahip kaynak sablonu iceren maddeler link Shead Sam 30 Kasim 2020 DeepMind solves 50 year old grand challenge with protein folding A I CNBC Ingilizce Erisim tarihi 30 Kasim 2020 Stoddart Charlotte 1 Mart 2022 Structural biology How proteins got their close up Knowable Magazine doi 10 1146 knowable 022822 1 Erisim tarihi 25 Mart 2022 a b c d Robert F Service The game has changed AI triumphs at solving protein structures Science 30 November 2020 Mohammed AlQuraishi CASP14 scores just came out and they re astounding Twitter 30 November 2020 a b Callaway Ewen 30 Kasim 2020 It will change everything DeepMind s AI makes gigantic leap in solving protein structures Nature Ingilizce 588 7837 ss 203 204 Bibcode 2020Natur 588 203C doi 10 1038 d41586 020 03348 4 PMID 33257889 Stephen Curry No DeepMind has not solved protein folding Reciprocal Space blog 2 December 2020 Balls Phillip 9 Aralik 2020 Behind the screens of AlphaFold Chemistry World Arsivlenmesi gereken baglantiya sahip kaynak sablonu iceren maddeler link Jumper John Evans Richard Pritzel Alexander Green Tim Figurnov Michael Ronneberger Olaf Tunyasuvunakool Kathryn Bates Russ Zidek Augustin Potapenko Anna Bridgland Alex Meyer Clemens Kohl Simon A A Ballard Andrew J Cowie Andrew Romera Paredes Bernardino Nikolov Stanislav Jain Rishub Adler Jonas Back Trevor Petersen Stig Reiman David Clancy Ellen Zielinski Michal Steinegger Martin Pacholska Michalina Berghammer Tamas Bodenstein Sebastian Silver David Vinyals Oriol Senior Andrew W Kavukcuoglu Koray Kohli Pushmeet Hassabis Demis 15 Temmuz 2021 Highly accurate protein structure prediction with AlphaFold Nature Ingilizce 596 7873 ss 583 589 Bibcode 2021Natur 596 583J doi 10 1038 s41586 021 03819 2 PMC 8371605 2 PMID 34265844 GitHub deepmind alphafold Open source code for AlphaFold GitHub Ingilizce Erisim tarihi 24 Temmuz 2021 Arsivlenmesi gereken baglantiya sahip kaynak sablonu iceren maddeler link AlphaFold Protein Structure Database alphafold ebi ac uk Erisim tarihi 24 Temmuz 2021 Arsivlenmesi gereken baglantiya sahip kaynak sablonu iceren maddeler link Mohammed AlQuraishi May 2019 AlphaFold at CASP13 Bioinformatics 35 22 4862 4865 DOI 10 1093 bioinformatics btz422 See also Mohammed AlQuraishi December 9 2018 AlphaFold CASP13 What just happened blog post Mohammed AlQuraishi 15 January 2020 A watershed moment for protein structure prediction Nature 577 627 628 DOI 10 1038 d41586 019 03951 0 AlphaFold Machine learning for protein structure prediction Foldit 31 January 2020 a b Jumper John ve digerleri August 2021 Highly accurate protein structure prediction with AlphaFold Nature Ingilizce 596 7873 ss 583 589 Bibcode 2021Natur 596 583J doi 10 1038 s41586 021 03819 2 ISSN 1476 4687 PMC 8371605 2 PMID 34265844 DeepMind is answering one of biology s biggest challenges The Economist 30 Kasim 2020 ISSN 0013 0613 Erisim tarihi 30 Kasim 2020 a b Jeremy Kahn DeepMind in protein katlanmasi uzerindeki yapay zeka atilimindan cikarilan dersler Fortune 1 Aralik 2020 a b c d Bknz blok diyagrami Ayrica John Jumper et al 1 Aralik 2020 AlphaFold 2 sunumu slayt 10 John Jumper ve digerleri konferans ozeti Aralik 2020 Yapi modulunun 3 boyutlu esdeger donusturucu mimarisi kullandigi belirtilmistir John Jumper et al 1 Aralik 2020 AlphaFold 2 sunumu slayt 12 SE 3 esdegerlik ile bir donusturucu ag tasarimi Fabian Fuchs et al SE 3 Donusturuculer 3D Roto Ceviri Esdeger Dikkat Aglari NeurIPS 2020 de onerildi ayrica web sitesi Bunun AlphaFold da kullanilanla ne kadar benzer ya da farkli oldugu bilinmemektedir AlQuaraishi nin bu konudaki blog yazisi veya Fabian Fuchs un daha detayli yazisi incelenebilir John Jumper et al 1 Aralik 2020 AlphaFold 2 sunumu slaytlar 12 20 Callaway Ewen 13 Nisan 2022 What s next for AlphaFold and the AI protein folding revolution Nature Ingilizce 604 7905 ss 234 238 Bibcode 2022Natur 604 234C doi 10 1038 d41586 022 00997 5 PMID 35418629 Metz Cade 8 Mayis 2024 Google Unveils A I for Predicting Behavior of Human Molecules The New York Times Ingilizce ISSN 0362 4331 Erisim tarihi 9 Mayis 2024 Abramson Josh Adler Jonas Dunger Jack Evans Richard Green Tim Pritzel Alexander Ronneberger Olaf Willmore Lindsay Ballard Andrew J Bambrick Joshua Bodenstein Sebastian W Evans David A Hung Chia Chun O Neill Michael Reiman David 8 Mayis 2024 Accurate structure prediction of biomolecular interactions with AlphaFold 3 Nature Ingilizce ss 1 3 doi 10 1038 s41586 024 07487 w ISSN 1476 4687 PMC 11168924 2 Accurate structure prediction of biomolecular interactions with AlphaFold 3 pdf of preprint of the article in Nature A non commercial server of AlphaFold 3 Dominguez Nuno 2 Aralik 2020 La inteligencia artificial arrasa en uno de los problemas mas importantes de la biologia El Pais Ispanyolca Erisim tarihi 12 Mayis 2024 Arsivlenmesi gereken baglantiya sahip kaynak sablonu iceren maddeler link Briggs David 4 Aralik 2020 If Google s Alphafold2 really has solved the protein folding problem they need to show their working The Skeptic Ingilizce Erisim tarihi 12 Mayis 2024 Arsivlenmesi gereken baglantiya sahip kaynak sablonu iceren maddeler link Demis Hassabis Brief update on some exciting progress on AlphaFold tweet via twitter 18 June 2021 AlphaFold3 why did Nature publish it without its code AlphaFold 3 Stepping into the future of structure prediction AI Can Help Scientists Find a Covid 19 Vaccine Wired Ingilizce ISSN 1059 1028 Erisim tarihi 1 Aralik 2020 a b Computational predictions of protein structures associated with COVID 19 Deepmind 4 Agustos 2020 Erisim tarihi 1 Aralik 2020 Arsivlenmesi gereken baglantiya sahip kaynak sablonu iceren maddeler link How DeepMind s new protein folding A I is already helping to combat the coronavirus pandemic Fortune Ingilizce Erisim tarihi 1 Aralik 2020 Arsivlenmesi gereken baglantiya sahip kaynak sablonu iceren maddeler link