MIT araştırmacıları, biyomedikal araştırma ve ilaç geliştirme süreçlerini önemli ölçüde hızlandırma potansiyeline sahip yeni bir açık kaynak yapay zeka modeli olan Boltz-1’i tanıttı. Bu model, biyolojik moleküllerin ve proteinlerin üç boyutlu yapılarının tahmininde Google DeepMind’in AlphaFold3 modeliyle benzer performans gösteriyor ve tamamen açık kaynaklı olmasıyla bilim camiasında dikkat çekiyor.
Boltz-1, MIT Jameel Sağlıkta Makine Öğrenimi Kliniği’nden bir araştırma ekibi tarafından geliştirildi. Ekipte MIT yüksek lisans öğrencileri Jeremy Wohlwend ve Gabriele Corso baş geliştiriciler olarak yer alırken, araştırmaya Saro Passaro, Regina Barzilay ve Tommi Jaakkola gibi bilim insanları da katkıda bulundu. Wohlwend ve Corso, Boltz-1’in sadece bir model değil, aynı zamanda küresel iş birliğini teşvik etmek, yeni keşifleri hızlandırmak ve biyomoleküler modelleme alanında yenilikçi bir platform oluşturmak için bir başlangıç noktası olduğunu belirttiler.
Proteinlerin biyolojik süreçlerdeki önemi göz önüne alındığında, bir proteinin üç boyutlu yapısını anlamak, yeni ilaçlar tasarlamak ve belirli işlevlere sahip proteinler geliştirmek açısından kritik bir rol oynuyor. Ancak, proteinlerin karmaşık yapısını çözmek uzun süredir bilim insanları için büyük bir zorluk olmuştur. Google DeepMind’in geliştirdiği AlphaFold2 modeli, bu sorunu çözerek protein yapılarını hızlı ve son derece doğru bir şekilde tahmin etmesiyle büyük bir başarıya imza atmıştı. AlphaFold3 modeli ise daha ileri bir teknoloji olan jeneratif bir difüzyon modelini entegre ederek karmaşık protein yapılarındaki belirsizlikleri daha iyi ele alabiliyor. Ancak, AlphaFold3’ün tamamen açık kaynaklı olmaması ve ticari kullanıma kapalı olması, bilim camiasında eleştirilere yol açtı ve alternatif bir model geliştirilmesi için dünya genelinde bir yarış başlattı.
MIT ekibi, Boltz-1’i geliştirirken AlphaFold3’ün temel difüzyon modelini inceledi ve ardından bu modeli geliştirmek için çeşitli yenilikler ekledi. Daha yüksek doğruluk sağlayan algoritmalar ve tahmin verimliliğini artıran yenilikler ile modelin performansı daha da iyileştirildi. Ayrıca, yalnızca model değil, aynı zamanda eğitim ve ince ayar süreçleri de tamamen açık kaynaklı hale getirildi. Bu sayede, diğer bilim insanlarının Boltz-1’i geliştirmesi ve farklı uygulamalara uyarlaması kolaylaştırıldı.
Bu çalışmayı hayata geçirmek, ekip için kolay olmadı. Wohlwend, Protein Veri Bankası’ndaki (PDB) verilerin heterojen ve belirsiz yapısının üstesinden gelmek için yoğun çaba harcadığını belirtti. PDB, son 70 yılda biyologlar tarafından çözümlenmiş biyomoleküler yapıların bir koleksiyonudur ve bu veri havuzundaki çeşitlilik, modeli geliştirme sürecinde önemli bir zorluk oluşturdu. Buna rağmen, Boltz-1’in karmaşık biyomoleküler yapı tahminlerinde AlphaFold3 ile eşdeğer doğruluk elde ettiği yapılan deneylerle kanıtlandı.
MIT araştırmacıları, Boltz-1’in performansını daha da artırmayı ve tahmin sürecini hızlandırmayı hedefliyor. Kullanıcıları, modeli GitHub üzerinde denemeye, geri bildirim sağlamaya ve Boltz-1 topluluğuyla etkileşimde bulunmaya davet ediyorlar. Açık kaynaklı yapısı sayesinde, Boltz-1’in bilim topluluğu tarafından farklı yaratıcı uygulamalara uyarlanacağına inanılıyor. Bu sayede, biyomoleküler modelleme alanında yeni bir dönemin başlayabileceği ifade ediliyor.
Boltz-1’in etkileri şimdiden büyük yankı uyandırdı. Parabilis Medicines CEO’su Mathai Mammen, Boltz-1’i “önemli bir atılım” olarak nitelendirerek, bu modelin yaşamı değiştiren ilaçların geliştirilmesini hızlandıracağını belirtti. MIT biyoloji profesörü Jonathan Weissman ise modelin açık kaynaklı doğasının, bilim topluluğu tarafından yaratıcı yeni uygulamaların önünü açacağını ifade etti. Weissman, Boltz-1’in sağladığı erişim kolaylığıyla birçok yeni keşfin mümkün hale geleceğine dikkat çekti.
Bu çalışma, ABD Ulusal Bilim Vakfı Expeditions programı, Jameel Kliniği, ABD Savunma Tehdit Azaltma Ajansı’nın DOMANE programı ve Kanser Araştırma UK ile ABD Ulusal Kanser Enstitüsü tarafından desteklenen MATCHMAKERS projesi gibi çeşitli kuruluşların katkılarıyla finanse edildi.
Yazının kaynağını buradan bulabilirsiniz.
Daha fazla benzer içeriğe buradan ulaşabilirsiniz.