Eğer tadı ete benzeyen vegan hamburger yediyseniz veya cildinize yapay kolajen uyguladıysanız, o halde yapay biyolojiden faydalanmışsınız demektir. Çünkü her iki ürün de laboratuvarda yapay şekilde “yetiştiriliyor”. Yapay biyoloji, potansiyelle dolu bir alan çünkü bilim insanlarının biyolojik sistemleri özel şekilde tasarlamasına olanak sağlıyor; tıpkı bir mikropta mühendislik uygulayıp, kanserle savaşan bir etken oluşturmak gibi… Fakat biyomühendisliğin geleneksel yöntemleri yavaş ve zahmetli. Ayrıca, temel yaklaşımını da deneme yanılma oluşturuyor.
Şimdiyse ABD Enerji Bakanlığı’nın Ulusal Lawrence Berkeley Laboratuvarı’nda çalışan bilim insanları, makine öğrenim algoritmalarını yapay biyolojinin ihtiyaçlarına göre uyarlayıp yapılan geliştirmeye sistematik olarak yön veren yeni bir araç geliştirmişler. Bilim insanları bu sayede yıllar harcayıp, bir hücreyi manipüle etmek için hücrenin her kısmını ve bu kısımların ne yaptığını en ince ayrıntısına kadar anlamak zorunda kalmayacak. Bunun yerine algoritmalar, sınırlı bir eğitim verisiyle bir hücrenin DNA’sındaki veya biyokimyasındaki değişimlerin, hücre davranışını nasıl etkilediğini tahmin edebilecek ve ardından sonraki mühendislik döngüsü için öneride bulunup, istenen hedefe ulaşmak için olasılıksal tahminler yürütebilecekler.
Araştırmaya önderlik eden Hector Garcia Martin, “Bu imkanlar devrimsel nitelikte” diyor. “Şu an biyomühendislik çok yavaş bir süreç. Sıtma ilacı artemisininin oluşturulması 150 insan yılına mal oldu (araştırmacıların harcadığı toplam yıl). Eğer belirli özelliklerdeki yeni hücreleri birkaç yıl yerine birkaç hafta veya ayda oluşturabilirseniz, biyomühendislik ile yapabileceklerinizde gerçekten devrim yaratabilirsiniz.
Araştırmacılar yürüttükleri yeni deneyde bir yapay zeka algoritması kullanarak, Saccharomyces cerevisiae ya da ekmek mayası olarak bilinen bir maya türünün ürettiği, çeşitli kullanım alanlarına sahip triptofan amino asidinin üretimini artırmak üzere metabolik mühendislik sürecine yön vermişler.
Bu bağlamda, her biri farklı bir gen başlatıcısıyla ve hücre içindeki diğer mekanizmalarla kontrol edilen ve toplamda 8.000 civarı potansiyel biyolojik güzergâh bileşimini temsil eden beş gen seçmişler. Danimarka’da çalışan araştırmacılar, daha sonra bu güzergâhların tüm muhtemel kombinasyonların sadece %3’ünü temsil eden 250 tanesinden deneysel veriler elde etmişler ve bu veriler, algoritmanın eğitiminde kullanılmış. Diğer bir ifadeyle yapay zeka, hangi çıktının (amino asit üretimi) hangi girdiyle (gen ifadesi) ilişkili olduğunu öğrenmiş.
Makine öğrenim algoritması, daha sonra istatistiksel çıkarım kullanarak geriye kalan 7.000’in üzerindeki bileşimin her birinin, triptofan üretimini nasıl etkileyeceğini tahmin etmiş. Algoritmanın en sonunda önerdiği tasarım, triptofan üretimini en gelişkin referans soya kıyasla %106 ve modelin eğitiminde kullanılan en iyi tasarımlara kıyasla %17 artırmış.
ABD Enerji Bakanlığı/Ulusal Lawrence Berkeley Laboratuvarı. Ç: O.
