Elli yıllık bir baş ağrısı

Bilim tarihinde bazı problemler vardır; kuşaklar boyunca çözülemedikçe efsaneleşir. Protein katlanması bunlardandı.

Hikaye şöyle: vücudunuzdaki neredeyse her işi proteinler yapar — kası kasan, oksijeni taşıyan, virüsü tanıyan hep onlardır. Her protein, amino asit denen yapı taşlarının bir zinciridir ve zincirin dizilimi genlerinizde yazar. Ama işin sırrı dizilimde değil, şekildedir: zincir, hücrede saniyeler içinde kendiliğinden kıvrılıp üç boyutlu bir forma “katlanır” ve proteinin ne iş yapacağını bu form belirler. Anahtarın kilide uyması gibi — kimyada şekil, işlevdir.

1970’lerden beri ortada duran soru buydu: diziyi bilirsek, şekli hesaplayabilir miyiz? Teoride bilgi dizinin içinde; pratikte olasılıklar astronomik. Deneyle şekil çözmek — X-ışını kristalografisi gibi yöntemlerle — mümkündü ama tek bir protein için aylar, bazen yıllar süren, doktora tezlerini yutan bir uğraştı. Yarım yüzyılda on binlerce protein yapısı bu emekle çözülmüştü; bilinen protein dizisi sayısı ise yüz milyonlarla ölçülüyordu. Makas kapanmıyordu.

Sonra makas kapandı

2020’de DeepMind’ın AlphaFold2 sistemi, bu alanın uluslararası kıyaslama yarışmasında (CASP) öyle bir sonuç aldı ki, yarışmanın kurucuları dahil pek çok bilim insanı problemi “esasen çözülmüş” ilan etti: tahminler, çoğu durumda deneysel yöntemlerin hata payına yaklaşan bir isabetle geliyordu. Ardından DeepMind, bilinen neredeyse tüm protein dizileri için — 200 milyon civarı — tahmin edilmiş yapıları herkese açık bir veritabanında yayımladı. Aylar süren iş, veritabanı sorgusuna indi.

Etki gecikmedi: bugün dünyanın dört bir yanında yüz binlerce araştırmacı bu veritabanını rutin olarak kullanıyor; sıtmadan antibiyotik direncine, plastik yiyen enzimlerden aşı tasarımına kadar sayısız çalışmada AlphaFold tahminleri başlangıç noktası oldu. Bir doktora öğrencisinin yıllarını alabilen adım, artık literatür taraması kadar olağan.

Bilim dünyası bu katkıyı en yüksek raftan ödüllendirdi: 2024 Nobel Kimya Ödülü’nün bir bölümü AlphaFold’un arkasındaki isimlere — Demis Hassabis ve John Jumper’a — verildi (ödülün diğer bölümü, hesaplamalı protein tasarımı çalışmalarıyla David Baker’a gitti). Bir yapay zeka sisteminin bilime katkısının Nobel düzeyinde tescillenmesi, sembolik eşiğin aşıldığı andı. Aynı yıl fizik Nobel’inin de yapay sinir ağlarının öncülerine gitmesi, tabloyu tamamladı.

Peki AlphaFold bunu nasıl yaptı? Ayrıntısı teknik ama omurgası bu sitenin okurlarına tanıdık. Sistem, deneysel olarak çözülmüş on binlerce yapıyla eğitildi ve dizi ile şekil arasındaki örüntüleri öğrendi. Kritik girdilerinden biri evrimin bıraktığı izlerdi: farklı canlılardaki benzer proteinlerin dizilimleri karşılaştırıldığında, “birlikte değişen” amino asit çiftleri görülür — bu, o ikilinin katlanmış yapıda birbirine temas ettiğinin ipucudur. AlphaFold, dizinin uzak parçaları arasındaki bu tür ilişkileri yakalamak için attention mekanizmasının uyarlanmış bir biçimini kullandı — kelimelerin cümlede birbirine “bakması” gibi, amino asitlerin dizide birbirine bakması. Sonraki sürümler, yapıyı rafine etmek için difüzyon benzeri üretim fikirlerinden de yararlandı (2024’te yayımlanan AlphaFold 3, difüzyon tabanlı bir mimariye geçti). Yani ortada bilinmeyen bir sihir yok; dil ve görüntüde işleyen fikirlerin, biyolojinin diline ustalıkla tercümesi var.

Hızlanan ne, hızlanmayan ne?

AlphaFold’un asıl önemi kendi başarısı değil, açtığı kapı: bilimsel sürecin bazı halkalarının radikal biçimde hızlanabileceğinin kanıtı.

Hangi halkalar? Örüntüsü bol, verisi bol, cevabı doğrulanabilir olanlar. İlaç geliştirmede hedef proteinin yapısını bilmek, ona bağlanacak molekül tasarımını hızlandırıyor. Malzeme biliminde benzer sistemler, umut vadeden kristal yapıları ve bileşikleri deneyden önce eliyor. Hava durumu tahmininde yapay zeka modelleri, dev fizik simülasyonlarıyla yarışır isabete çok daha düşük hesap maliyetiyle ulaşmaya başladı. Ortak desen: eskiden tek tek, pahalı deneyle taranan devasa olasılık uzayları, artık önce modelle daraltılıyor, deney en umutlu adaylara saklanıyor. Deney ölmüyor; nişan almayı öğreniyor.

Hızlanmayan da net görülsün. AlphaFold’un tahminleri, tahmindir: çoğu mükemmele yakın, bir kısmı hatalı — ve sistem hangi bölgelerden emin olmadığını puanla söylese de, kritik kararlar hâlâ deneysel doğrulama ister. Ayrıca protein katlanması “çözüldü” derken kastedilen statik yapı tahminidir; proteinlerin hücre içindeki dansı — hareketleri, etkileşimleri, ortama göre şekil değiştirmeleri — büyük ölçüde açık problem. Bilimin darboğazı da çoğu zaman hesap değil: hipotezin sorulması, deneyin tasarlanması, sonucun yorumlanması ve yanlışın ayıklanması insan işi olmayı sürdürüyor.

“AI bilim insanı olabilir mi?” — ölçülü cevap

Bu başarılar, kaçınılmaz soruyu getiriyor: yapay zeka bilim yapabilir mi — hipotez kurup keşfe imza atabilir mi?

Ölçülü cevabım üç katmanlı.

Bugün olan: Yapay zeka, olağanüstü bir bilim aracı. Literatürü tarıyor, veriyi eliyor, aday üretiyor, deney önceliklendiriyor. Mikroskobun ya da bilgisayarın vaktiyle yaptığı gibi, sorulabilir soruların sınırını genişletiyor. AlphaFold da dahil — Nobel, sistemin kendisine değil, onu kuran insanlara verildi; bu ayrıntı sembolik değil, özün ta kendisi.

Ufukta görünen: “Hipotez üret → deney öner → sonucu değerlendir” döngüsünün parçalarını otomatikleştiren, hatta robotik laboratuvarlarla birleşen sistemler üzerinde ciddi çalışmalar var. Dar alanlarda “yarı-otomatik keşif” düşünülemez değil; ilk örnekleri de görülüyor.

Şüpheyle bakılması gereken: “Yapay zeka yakında bilimi devralacak” anlatısı. Bilimin özü, örüntü bulmak kadar örüntüden şüphe etmektir: “Bu sonuç güzel ama ya ölçüm hatasıysa?” diyebilmek. Mevcut sistemlerin bu iç denetimi yok; öğrendikleri örüntüye sadıklar ve yanıldıklarında bunu kendinden emin biçimde yaparlar — halüsinasyon mekanizmasını bilenler için tanıdık bir hikaye. Örüntü genellemesinin nerede durduğunu ne yapabilir, ne yapamaz yazısında çizmiştim; bilim, o sınırın en acımasız test alanıdır. Çünkü bilimde “olası görünen”, çoğu zaman yanlıştır — ilginç olan, tam da örüntüyü bozan sonuçtur.

Benim özet formülüm şu: yapay zeka bilimde öneri makinesidir; hakem değildir. Hakemlik — deney, şüphe, tekrar, akran denetimi — bilimin insan tarafında kalıyor. En azından görünür gelecekte.

Aklınızda kalsın

  1. AlphaFold, elli yıllık protein katlanması problemini pratik anlamda dönüştürdü — aylar süren yapı çözümü, veritabanı sorgusuna indi; katkı 2024 Nobel’iyle tescillendi.
  2. Sırrı tanıdık: deneysel verilerdeki örüntüleri öğrenmek, dizinin uzak parçalarını attention ile ilişkilendirmek — dilde işleyen fikirlerin biyolojiye tercümesi.
  3. Yapay zeka bilimde öneri makinesi, hakem değil — olasılık uzayını daraltıyor, deneyi nişan aldırıyor; hipotez, şüphe ve doğrulama insanda.

Bilim tarihçileri bu dönemi muhtemelen teleskopun icadına benzeterek anlatacak: gökyüzü değişmedi, ama görebildiklerimiz değişti. Aletin başında kimin oturduğu sorusu ise — şimdilik — cevabını koruyor: merak eden, şüphelenen, soran biri.

Kaynaklar

  • Jumper, J. vd. (2021). Highly accurate protein structure prediction with AlphaFold. Nature. AlphaFold2’nin makalesi: CASP14’te atomik doğruluğa yaklaşan yapı tahmini. nature.com/articles/s41586-021-03819-2
  • Kungl. Vetenskapsakademien / İsveç Kraliyet Bilimler Akademisi (2024). The Nobel Prize in Chemistry 2024. Resmî duyuru: ödülün yarısı hesaplamalı protein tasarımı için David Baker’a, diğer yarısı protein yapı tahmini (AlphaFold2) için Demis Hassabis ve John Jumper’a. kva.se
  • Google DeepMind (2022). AlphaFold reveals the structure of the protein universe. 200 milyonu aşkın protein yapısı tahmininin herkese açık veritabanında yayımlanmasının duyurusu. deepmind.google
  • Abramson, J. vd. (2024). Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature. Difüzyon tabanlı mimariyle protein, DNA/RNA ve küçük molekül etkileşimlerinin tahmini. nature.com/articles/s41586-024-07487-w