AZ 
Bu protein mühəndisliyi sahəsindəki irəliləyiş cəmi üç gün ərzində 10 milyondan çox məlumat nöqtəsi yaradır və süni intellektlə turbomühərrik yaradır
Rachel Leeson, Rays Universiteti tərəfindən
Stephanie Baum tərəfindən redaktə edilib , Andrew Zinin tərəfindən nəzərdən keçirilib
Tercih edilən mənbə kimi əlavə edin
Zülal aktivliyi məlumatlarının yaradılması prosesi (yuxarıda) və çıxışın oxunması və süni intellekt modellərinin öyrədilməsi (aşağıda). Kredit: Linqi Çenq / Rays Universiteti
Zülal mühəndisliyi süni intellekt tədqiqatları üçün hazırlanmış bir sahədir. Hər bir protein amin turşularından ibarətdir; bir protein funksiyasını optimallaşdırmaq üçün tədqiqatçılar 20 fərqli amin turşusundan birini digəri ilə əvəz etməklə zülalları dəyişdirirlər. Cəmi 50 amin turşusu uzunluğunda olan bir protein üçün bu, təxminən 1,13×10 65 potensial kombinasiyaya gətirib çıxarır – bu, 113-dən sonra 65 sıfır və ya bir trilyondan beş dəfə çox sıfır deməkdir.
Laboratoriyada sınaqdan keçirilməsi mümkün olmayan bu qədər potensial kombinasiya, zülal mühəndisliyini süni intellekt üçün ideal bir problemə çevirir. Bu kombinasiyalardan hansının ən yaxşı nəticələr verəcəyini modelləşdirmək texnologiyanın nəhəng hesablama gücü üçün mükəmməl bir problemdir. Lakin süni intellekt yalnız onu öyrətmək üçün istifadə edilən məlumatlar qədər yaxşıdır və zülal mühəndisliyinin bəzi sahələrində düzgün məlumatlar sadəcə mövcud deyildi.
“Süni intellektlə idarə olunan zülal mühəndisliyində ən böyük maneələrdən biri maşın öyrənmə modelləri hazırlamamaqdır. Bu, onları öyrətmək üçün düzgün və kifayət qədər eksperimental məlumat yaratmaqdır”, – deyə Rays Universitetinin kimya, bioelmlər və biomühəndislik professoru və SynthX Mərkəzinin direktoru Han Xiao bildirib. “Zülalın fəaliyyətini optimallaşdıran zülal aktivliyinin mühəndisliyi üçün çox aydın bir problemimiz var idi: Dəqiq modelləri öyrətmək üçün sadəcə kifayət qədər məlumat dəsti yox idi.”
Bir zülalın funksiyasını (fəaliyyətini) necə optimallaşdıracağını dəqiq şəkildə proqnozlaşdıra bilən süni intellekt modelləri yaratmaq üçün Xiaonun komandası əvvəlcə hər hansı bir zülal haqqında süni intellekt modelini öyrətmək üçün kifayət qədər aktivlik məlumatları yaratmalı idi. Bu yaxınlarda dərc edilmiş Nature Biotechnology nəşrində Xiaonun komandası və Con Hopkins Universiteti və Microsoft-dan olan əməkdaşları məhz bunu edərək, lazımi məlumatları təmin edən və cəmi üç gün ərzində dəqiq modellər yaradan bir yanaşmanı paylaşdılar.UGI və rAPOBEC1-in təkamülü üçün Ardıcıllıq Göstərmə platformasının hazırlanması. Müəllif: Nature Biotechnology (2026). DOI: 10.1038/s41587-026-03087-3
Ardıcıllıqla Göstərmə adlanan bu yanaşma tək bir təcrübədə 10 milyondan çox məlumat nöqtəsi yarada bilər. Daha sonra bu məlumat nöqtələri protein dili süni intellekt modellərinə daxil edilir və bu modellər zülalın amin turşularında hansı dəyişikliklərin zülalın aktivliyi və ya funksiyası üçün istənilən dəyişikliyi yaradacağını proqnozlaşdırmaq üçün onlardan istifadə edir.
Rays aspirantı və tədqiqatın ilk müəllifi Linqi Çenq bildirib ki, “Fərdi zülal variantlarının aktivliyini qeyd edən və maşın öyrənmə modelini öyrətmək üçün lazım olan məlumat dəstini yaradan fəaliyyətə əsaslanan barkodlama sistemi hazırlaya bildik. Daha sonra model öyrəndiyimiz zülalın aktivliyini əhəmiyyətli dərəcədə yaxşılaşdıran mutasiyaları proqnozlaşdıra bildi.”
Komanda konsepsiyanın sübutu üçün kiçik bir CRISPR-Cas zülalı seçdi . Bu zülal ölçüsünə görə qiymətləndirilsə də, DNT-nin kəsilmək üçün nəzərdə tutulan hissələrini hədəf almaq üçün aktivliyi məhdud idi. Tədqiqatçılar daha geniş çeşiddə DNT hədəflərini kəsə biləcək bir versiya müəyyən etmək istəyirdilər.
Əvvəlcə onlar Cas9 zülalını kodlayan DNT-ni mutasiya edərək bir çox variasiya yaratdılar. Hər varianta boş DNT barkodu , həmçinin zülalın aktivlik səviyyəsinə cavab olaraq barkodu dəyişdirən xüsusi redaktor əlavə edildi. Zülalın aktivlik səviyyələri artdıqca redaktorun da aktivliyi artdı. Bu o demək idi ki, ən aktiv zülal variasiyalarının barkodlarında ən böyük dəyişikliklər olurdu. Daha sonra DNT barkodları növbəti nəsil ardıcıllıqla oxunurdu ki, bu da əsasən barkodu skan edir və hər ardıcıllığı aktivlik səviyyəsinə görə təsnif edirdi.
Gündəlik məlumat üçün Phys.org-a etibar edən 100.000-dən çox abunəçi ilə elm, texnologiya və kosmosdakı ən son yenilikləri kəşf edin . Pulsuz bülletenimizə abunə olun və vacib olan nailiyyətlər, innovasiyalar və tədqiqatlar haqqında gündəlik və ya həftəlik yeniliklərdən xəbərdar olun .
Çenq dedi: “Süni intellekt burada təcrübəni əvəz etmir. Bunun əvəzinə, təcrübədən asılıdır. Ardıcıllıqla Göstərmə bizə məlumat bazası verir və modellər güclü namizədlər üçün daha böyük məlumat məkanı axtarmağımıza kömək edir.”
Komanda bu prosesi aminoasil-tRNA sintetazaları, sitozin deaminaza və urasil qlikosilaza inhibitoru da daxil olmaqla digər zülallarla uğurla təkrarladı. Hər bir halda, barkodlama təcrübəsi süni intellekt modellərini öyrətmək üçün kifayət qədər məlumat nöqtəsi yaratdı.
Xərçəngin Qarşısının Alınması və Tədqiqat İnstitutunun alimi olan Xiao bildirib ki, “Bu yanaşma süni intellektlə zülal mühəndisliyinin inteqrasiyası üçün praktik bir çərçivə təmin edir. Biz maşın öyrənməsinə müstəqil bir həll yolu kimi etibar etmək əvəzinə, onu yüksək keyfiyyətli təlim məlumatları yaradan eksperimental platforma ilə birləşdiririk. Bu sinerji qabaqcıl tədqiqat alətlərinin və yeni nəsil terapevtik zülalların daha səmərəli kəşfinə imkan verir.”
Nəşr detalları
Linqi Cheng və digərləri, Ardıcıllıq Göstərişi sürətli zülal təkamülü üçün genişmiqyaslı ardıcıllıq-aktivlik məlumat dəstlərinə imkan verir, Nature Biotechnology (2026). DOI: 10.1038/s41587-026-03087-3
Jurnal məlumatları: Təbiət Biotexnologiyası
