Google DeepMind, Baker Lab ve EvolutionaryScale tarafından geliştirilen AlphaFold 3, RFdiffusion ve ESM3, sıfırdan protein tasarımı ve moleküler modelleme süreçlerinde biyoloji dünyasına yeni bir çağ açıyor.

Protein yapı tahmini ve sıfırdan de novo protein tasarımı, son yıllarda yapay zeka teknolojileriyle birlikte yepyeni bir boyuta taşındı. Moleküler kompleksleri modellemek, geometrik olarak tutarlı omurgalar üretmek ve dizi-yapı-işlev üçgenini tek bir dil modelinde birleştirmek için geliştirilen AlphaFold 3, RFdiffusion ve ESM3 modelleri, farklı matematiksel temeller ve sinir ağı mimarileriyle ön plana çıkıyor.

Protein tasarımı ve biyomoleküler modelleme alanında geliştirilen AlphaFold 3, RFdiffusion ve ESM3 sistemleri, biyolojik yapıların anlaşılması ve sıfırdan tasarlanması süreçlerinde üç farklı yöntem sunuyor.

  • Farklı İhtiyaçlara Özel Çözümler: Mevcut biyomoleküler komplekslerin yapısını tahmin etmek için AlphaFold 3, doğada bulunmayan kararlı protein omurgaları inşa etmek için RFdiffusion, belirli bir biyolojik işlev üzerinden evrimsel süreçleri simüle ederek protein üretmek için ise ESM3 öne çıkıyor.

  • Matematiksel ve Mimari Çeşitlilik: Biyolojik problemlerin çözümünde tek bir yöntem yerine; atom düzeyinde difüzyon, geometrik olarak eşdeğişir katı cisim modellemesi ve çok modlu dil modelleri gibi farklı yapay zeka mimarileri kullanılıyor.

  • Biyolojide Tasarım Odaklı Yaklaşım: Geleneksel evrimsel hizalama yöntemlerine olan bağımlılığın azalmasıyla birlikte, doğrudan 3D atom koordinatları ve işlevsel hedefler üzerinden programlanabilir protein tasarımları gerçekleştirilebiliyor.

Modellerin Temel Mimari Özellikleri ve Karşılaştırması

Bu üç öncü sistemin temel yapı taşları ve çalışma prensipleri, biyomoleküler araştırmalarda farklı yaklaşımları temsil ediyor.

Özellik AlphaFold 3 RFdiffusion ESM3
Geliştirici Google DeepMind & Isomorphic Labs Baker Lab (Institute for Protein Design) EvolutionaryScale
Temel Mimari Pairformer + Koşullu Difüzyon Modülü RoseTTAFold Omurgası + SE(3)-Eşdeğişir Difüzyon Çok Modlu Çift Yönlü Transformer + VQ-VAE
Girdi Temsili Atom ve kalıntı düzeyinde tokenlar 1D dizi, 2D mesafe matrisi ve 3D katı cisim çerçeveleri Ayrıklaştırılmış dizi, yapı ve işlev tokenları
Üretim Mekanizması Ham 3D atom koordinatları üzerinde gürültü giderme C-alfa ötelemesi ve SO(3) rotasyon manifoldu üzerinde difüzyon Maskeli dil modelleme ile yinelemeli token tahmini
Birincil Odak Çoklu biyomoleküler komplekslerin yapı tahmini Sıfırdan protein omurgası ve bağlayıcı tasarımı Programlanabilir biyoloji ve evrimsel simülasyonla protein üretimi

1. AlphaFold 3: Pairformer ve Atom Düzeyinde Difüzyon Mimarisi

Google DeepMind ve Isomorphic Labs ortaklığıyla geliştirilen AlphaFold 3, yalnızca proteinleri değil; DNA, RNA, küçük molekül ligandları, iyonları ve kimyasal modifikasyonları içeren tüm biyomoleküler kompleksleri tek bir çatı altında modeller. Model, evrimsel hizalama ağırlıklı yapıdan üretken bir difüzyon mimarisine geçiş yapmıştır.

Birleşik Tokenizasyon Katmanı ve Pairformer Mimarisi

Model, standart amino asitleri ve nükleotidleri tek token olarak ele alırken, küçük molekülleri ve modifiye kalıntıları her ağır atom başına bir token olacak şekilde parçalar. AlphaFold 2'nin merkezindeki Evoformer modülü, 48 bloktan oluşan Pairformer mimarisiyle değiştirilmiş, çoklu dizi hizalaması (MSA) verileri ana gövdeden çıkarılarak evrimsel veriye bağımlılık azaltılmıştır.

Üçgensel Dikkat ve Koşullu Difüzyon Modülü

Pairformer içindeki tekil ve ikili temsiller, üçgen eşitsizliği kuralını zorlayan üçgensel çarpma ve dikkat katmanlarıyla güncellenir. AlphaFold 2'deki Değişmez Nokta Dikkati (IPA) modülü kaldırılarak yerine koşullu difüzyon modülü getirilmiştir. Bu modül, rastgele bir Gauss gürültüsü atom bulutuyla başlayarak doğrudan ham 3D atom koordinatlarının gürültüsünü giderir ve stereokimyasal kısıtlamalara ihtiyaç duymadan moleküler geometri kurallarını öğrenir.

2. RFdiffusion: SE(3)-Eşdeğişir Geometrik Difüzyon Mimarisi

Baker Laboratuvarı tarafından geliştirilen RFdiffusion, RoseTTAFold'un ağırlıklarının ince ayar ile tersine çevrilmesiyle çalışan bir üretken tasarım modelidir. Temel amacı, doğada daha önce var olmamış kararlı protein omurgaları ve hedef moleküllere bağlanan yapılar inşa etmektir.

Üç İzli RoseTTAFold Omurgası ve Katı Cisim Çerçeveleri

Mimari; 1D amino asit dizisi bilgisi, 2D kalıntılar arası mesafe-açı matrisi ve 3D atom koordinatları olmak üzere üç paralel veri izini eşzamanlı işler. Her kalıntı, C-alfa atomunun merkezini temsil eden bir 3D öteleme vektörü ve omurga yönelimini belirleyen bir 3x3 rotasyon matrisi olarak parametrelendirilir.

SE(3)-Eşdeğişirlik ve İki Aşamalı Difüzyon Süreci

Model, küresel harmonikler kullanan SE(3)-Transformer mimarisi sayesinde girdiler döndürüldüğünde çıktı tahminlerinin de aynı oranda dönmesini matematiksel olarak garanti eder. İleri difüzyon aşamasında C-alfa koordinatlarına 3D Gauss gürültüsü eklenirken, geri gürültü giderme aşamasında katlanabilir bir protein omurgası adım adım oluşturulur. Ayrıca öz-koşullandırma ve motif iskeleleme özellikleri ile katalitik aktif bölge atomları uzayda sabitlenebilir.

3. ESM3: Çok Modlu Üretken Dil Modeli Mimarisi

EvolutionaryScale tarafından 98 milyar parametreye kadar ölçeklenen ESM3, protein tasarımını geometrik bir difüzyon probleminden ziyade çok modlu bir dil modelleme problemi olarak ele alır. Model, proteinlerin dizi, 3D yapı ve biyolojik işlev bilgilerini tek bir gizli uzayda birleştirir.

Akıllı Saatler Tarih mi Oluyor? İşte Yeni Teknoloji
Akıllı Saatler Tarih mi Oluyor? İşte Yeni Teknoloji
İçeriği Görüntüle

Ayrık Yapı Tokenizasyonu (VQ-VAE) ve Üç Modaliteli Paralel İzler

Sürekli bir uzay olan 3D atomik koordinatları dil modeline aktarmak için geometrik dikkat mekanizmasına sahip bir VQ-VAE kullanılır. Bu kodlayıcı, her kalıntının yerel 3D komşuluğunu 4096 kelimelik ayrık yapı sözlüğüne sıkıştırır. Girdi katmanında amino asit dizisi, yapı tokenları ve işlev anahtar kelimeleri ayrı izler olarak modele verilip birleştirilir.

Geometrik Dikkat ve Üretken Maskeli Dil Modelleme

ESM3, kalıntıların uzaysal konumları arasındaki mesafeleri doğrudan dikkat ağırlıklarına dahil eden özel bir geometrik dikkat katmanı içerir. Model, çift yönlü bir maskeli dil modeli olarak eğitilir; çıkarım aşamasında kullanıcı tarafından verilen bir işlev etiketi veya aktif bölge koordinatından hareketle önce genel yapı iskeletini, ardından amino asit dizisini yinelemeli olarak doldurur.

Kaynaklar;

• Google DeepMind & Isomorphic Labs (AlphaFold 3 teknik makalesi ve araştırmaları)
• Nature Dergisi (AlphaFold 3 ve RFdiffusion hakemli bilimsel yayınları)
• University of Washington – Institute for Protein Design / Baker Lab (RFdiffusion teknik dokümantasyonu)
• EvolutionaryScale (ESM3 teknik raporu ve araştırma blogu)
• Science Dergisi (ESM3 bilimsel yayını)

Muhabir: Merve Kiraz