Teknoloji

Yapay Zekanın Kara Kutusunu Çözmek : Bilim Adamları Beklenmedik Sonuçları Ortaya Çıkardı

Yapay Zekanın Kara Kutusunu Çözmek : Bilim Adamları Beklenmedik Sonuçları Ortaya Çıkardı. Bonn Üniversitesi’ndeki araştırmacılar, ilaç araştırmalarında makine öğrenimi uygulamalarının iç işleyişini inceliyor. Yapay zeka (AI) hızla ilerlemektedir, ancak sonuçlara ulaşma sürecinin görünür olmadığı bir “kara kutu” doğasıyla karakterize edilen iç işleyişi genellikle belirsiz kalmaktadır. Ancak Bonn Üniversitesi’nden kimya bilişim uzmanı Prof. Dr. Jürgen Bajorath ve ekibi tarafından önemli bir atılım gerçekleştirildi . Farmasötik araştırmalarda kullanılan belirli yapay zeka sistemlerinin operasyonel mekanizmalarını ortaya çıkaran bir teknik geliştirdiler. Şaşırtıcı bir şekilde bulguları, bu yapay zeka modellerinin, ilaçların etkinliğini tahmin etmek için belirli kimyasal etkileşimleri öğrenmek yerine öncelikle mevcut verileri hatırlamaya dayandığını gösteriyor. Sonuçları yakın zamanda Nature Machine Intelligence’da yayınlandi.

Hangi ilaç molekülü en etkilidir? Araştırmacılar, hastalıklarla mücadele etmek için hararetli bir şekilde etkili aktif maddeler arıyorlar. Bu bileşikler sıklıkla, belirli bir fizyolojik eylem zincirini tetikleyen enzimler veya reseptörler olan proteine ​​bağlanır. Bazı durumlarda, belirli moleküllerin vücutta aşırı inflamatuar yanıt gibi istenmeyen reaksiyonları engellemesi de amaçlanır. Mevcut kimyasal bileşiklerin bolluğu göz önüne alındığında, ilk bakışta bu araştırma samanlıkta iğne aramaya benziyor. Bu nedenle ilaç keşfi, hangi moleküllerin ilgili hedef proteine ​​en iyi şekilde bağlanacağını ve güçlü bir şekilde bağlanacağını tahmin etmek için bilimsel modelleri kullanmaya çalışır. Bu potansiyel ilaç adayları daha sonra deneysel çalışmalarda daha ayrıntılı olarak araştırılmaktadır.

Protein-ligand etkileşim grafiklerindeki kenarların göreceli oranları – farklı afinite alt bölgeleri için altı GNN’nin tahminlerini belirleme. Renk kodlu çubuklar, EdgeSHAPer ile belirlenen her tahminin ilk 25 kenarı arasındaki ortalama protein, ligand ve etkileşim kenarları oranlarını karşılaştırır. Katkıda bulunanlar: A. Mastropietro ve J. Bajorath Yapay zekanın ilerlemesinden bu yana, ilaç keşif araştırmalarında da makine öğrenimi uygulamaları giderek daha fazla kullanılıyor . Böyle bir uygulama olan “Grafik sinir ağları” (GNN’ler), bu tür uygulamalar için çeşitli fırsatlardan birini sağlar. Örneğin belirli bir molekülün hedef proteine ​​ne kadar güçlü bağlandığını tahmin edecek şekilde uyarlanmıştır.

Bu amaçla GNN modelleri, proteinler ve kimyasal bileşikler (ligandlar) arasında oluşan kompleksleri temsil eden grafiklerle eğitilir. Grafikler genellikle nesneleri temsil eden düğümlerden ve düğümler arasındaki ilişkileri temsil eden kenarlardan oluşur. Protein-ligand komplekslerinin grafik gösterimlerinde, kenarlar yalnızca sırasıyla yapılarını temsil eden protein veya ligand düğümlerini veya spesifik protein-ligand etkileşimlerini temsil eden protein ve ligand düğümlerini bağlar. Prof. Dr. Jürgen Bajorath, “GNN’lerin tahminlerine ulaşma şekli, göremediğimiz bir kara kutu gibidir” diyor. Bonn Üniversitesi LIMES Enstitüsü’nden, Bonn-Aachen Uluslararası Bilgi Teknolojileri Merkezi’nden (B-IT) ve Bonn’daki Lamarr Makine Öğrenimi ve Yapay Zeka Enstitüsü’nden kemoinformatik araştırmacısı, Roma’daki Sapienza Üniversitesi’nden meslektaşlarıyla birlikte, bir aktif maddenin hedef proteine ​​ne kadar güçlü bağlandığını tahmin etmek için grafik sinir ağlarının gerçekten protein-ligand etkileşimlerini öğrenip öğrenmediğini ayrıntılı olarak analiz etti.

Yapay zeka uygulamaları nasıl çalışır? Araştırmacılar, özel olarak geliştirdikleri “EdgeSHAPer” yöntemini ve karşılaştırma için kavramsal olarak farklı bir metodolojiyi kullanarak toplam altı farklı GNN mimarisini analiz etti. Bu bilgisayar programları, GNN’lerin bir bileşik ile bir protein arasındaki en önemli etkileşimleri öğrenip öğrenmediğini ve böylece araştırmacılar tarafından amaçlandığı ve tahmin edildiği gibi ligandın gücünü tahmin edip etmediğini veya yapay zekanın tahminlere başka yollarla ulaşıp ulaşmadığını “tarar”. Jürgen Bajorath Jürgen Bajorath – Bonn Üniversitesi LIMES Enstitüsü, Bonn-Aachen Uluslararası Bilgi Teknolojileri Merkezi (B-IT) ve Lamarr Makine Öğrenimi ve Yapay Zeka Enstitüsü’nden Prof. Dr. Kredi bilgileri: Bonn Üniversitesi Doktora araştırmasının bir kısmını Bonn’da Prof. Bajorath’ın grubunda yürüten, Roma’daki Sapienza Üniversitesi’nden doktora adayı Andrea Mastropietro, çalışmanın ilk yazarı, “GNN’ler eğitildikleri verilere oldukça bağımlıdır” diyor.

Bilim insanları altı GNN’yi protein-ligand komplekslerinin yapılarından elde edilen grafiklerle eğitti; bileşiklerin etki şekli ve hedef proteinlere bağlanma kuvveti deneylerden zaten biliniyordu. Eğitilen GNN’ler daha sonra diğer komplekslerde test edildi. Sonraki EdgeSHAPer analizi, GNN’lerin nasıl görünüşte umut verici Prof. Bajorath, “GNN’ler kendilerinden bekleneni yaparsa, bileşik ile hedef protein arasındaki etkileşimleri öğrenmeleri gerekir ve tahminler, belirli etkileşimlere öncelik verilerek belirlenmelidir” diye açıklıyor. Ancak araştırma ekibinin analizlerine göre altı GNN aslında bunu başaramadı. Çoğu GNN yalnızca birkaç protein-ilaç etkileşimini öğrendi ve esas olarak ligandlara odaklandı. Bajorath: “Bir molekülün hedef proteine ​​bağlanma gücünü tahmin etmek için modeller, hedef proteinden bağımsız olarak esas olarak eğitim sırasında karşılaştıkları kimyasal olarak benzer molekülleri ve bunların bağlanma verilerini ‘hatırladı’. Öğrenilen bu kimyasal benzerlikler daha sonra esas olarak tahminleri belirledi.”

Bilim insanlarına göre bu durum büyük ölçüde “Akıllı Hans etkisini” anımsatıyor. Bu etki, görünüşe göre sayabilen bir atı ifade eder. Hans’ın toynaklarına ne sıklıkta vurduğu, bir hesaplamanın sonucunu göstermesi gerekiyordu. Ancak daha sonra ortaya çıktığı üzere, at hiçbir şekilde hesaplama yapamıyordu, ancak arkadaşının yüz ifadeleri ve jestlerindeki nüanslardan beklenen sonuçları çıkarıyordu. Bu bulgular ilaç keşif araştırmaları için ne anlama geliyor? Keminformatik bilimcisi, “GNN’lerin aktif maddeler ve proteinler arasındaki kimyasal etkileşimleri öğrenmesi genellikle kabul edilebilir değildir” diyor. Tahminleri büyük ölçüde abartılıyor çünkü eşdeğer kalitede tahminler kimyasal bilgi ve daha basit yöntemler kullanılarak yapılabilir. Ancak araştırma aynı zamanda yapay zeka için fırsatlar da sunuyor. GNN tarafından incelenen modellerden ikisi, test bileşiklerinin gücü arttığında daha fazla etkileşim öğrenme konusunda açık bir eğilim gösterdi. Bajorath, “Buraya daha yakından bakmaya değer” diyor. Belki de bu GNN’ler, değiştirilmiş gösterimler ve eğitim teknikleri yoluyla istenen yönde daha da geliştirilebilir. Ancak fiziksel büyüklüklerin moleküler grafiklere dayanarak öğrenilebileceği varsayımına genel olarak ihtiyatla yaklaşılmalıdır. Bajorath “Yapay zeka kara büyü değil” diyor.

Yapay zekanın karanlığına daha da fazla ışık Aslında EdgeSHAPer’ın önceki açık erişim yayınını ve diğer özel olarak geliştirilmiş analiz araçlarını, yapay zeka modellerinin kara kutusuna ışık tutacak umut verici yaklaşımlar olarak görüyor. Ekibinin yaklaşımı şu anda GNN’lere ve yeni “kimyasal dil modellerine” odaklanıyor. “Karmaşık modellerin tahminlerini açıklamaya yönelik yöntemlerin geliştirilmesi, yapay zeka araştırmalarının önemli bir alanıdır. Makine öğreniminin sonuçlara nasıl ulaştığını daha iyi anlamaya yardımcı olan dil modelleri gibi diğer ağ mimarileri için de yaklaşımlar var” diyor Bajorath. Yaşam Bilimleri alanında Araştırma Görevlisi ve Yapay Zeka Başkanı olduğu Lamarr Enstitüsü’nde “Açıklanabilir Yapay Zeka” alanında da yakında heyecan verici şeylerin gerçekleşmesini bekliyor.

İlgili Makaleler

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

Başa dön tuşu