İletişim

Bilimsel araştırmalarda yapay zekânın rolü, verileri analiz etmenin ve moleküler yapıları hesaplamalı olarak tasarlamanın ötesine geçerek fiziksel deneylerin planlanmasını, yürütülmesini ve sonuçlarına göre yeniden düzenlenmesini kapsamaktadır. Özellikle biyoteknoloji ve ilaç keşfi alanlarında, çok sayıda olası moleküler adayın değerlendirilmesi önemli bir deneysel ve hesaplamalı yük oluşturmaktadır. Google Research tarafından yayımlanan çalışma, yapay zekâ ajanlarını gerçek laboratuvar koşullarıyla bütünleştirerek bu süreci geliştirmeye yönelik üç araştırma yaklaşımını bir araya getirmektedir. Bu yaklaşımda amaç, yalnızca deney önerileri üreten değil, deneysel sonuçlardan öğrenerek sonraki adımlarını iyileştirebilen sistemler geliştirmektir.
Bu sistemlerin geliştirilmesindeki temel sorunlardan biri, hesaplamalı modellerin biyolojik sistemlerin ve fiziksel laboratuvar ortamlarının tüm özelliklerini eksiksiz biçimde temsil edememesidir. Bir yapay zekâ ajanının oluşturduğu protokol yazılım açısından geçerli olsa bile pipetin fiziksel olarak bir kuyucuğa sığmaması, kuyucukta yeterli reaktif bulunmaması veya sıvı hareketlerinden kaynaklanan etkilerin hesaba katılmaması deneyin güvenilirliğini tehlikeye atabilmektedir. Google Research ekibi, bu sınırlamaları ele almak amacıyla laboratuvar robotlarını fiziksel durum takibiyle bütünleştiren bir altyapı geliştirmiş; ayrıca aptamer ve protein bağlayıcı tasarımında gerçek deney sonuçlarının sonraki tasarım kararlarını yönlendirdiği kapalı döngülü sistemleri incelemiştir.
Araştırmanın ilk bileşeni, laboratuvar ortamının dijital temsilini oluşturan VERID (Verified Infrastructure for Discovery Laboratories) çerçevesidir. Bu sistem, robotik kolların geometrisini, laboratuvar yüzeyindeki yerleşimi, kuyucuklardaki sıvı hacimlerini, reaktiflerin kimliklerini ve pipet uçlarının kullanılabilirliğini takip eden dinamik bir dijital ikiz (fiziksel bir sistemin durumunu dijital ortamda temsil eden model) oluşturmaktadır. Kaynakta aktarılan bir deneyde, körlemesine hazırlanmış boya karışımlarının görüntülerden yeniden oluşturulmasındaki doğruluk beş kattan fazla artırılmıştır .Yapay zekâ ajanları, deney protokollerini sıvı işleme robotlarında uygulamadan önce simülasyonda test edebilmekte ve fiziksel açıdan geçersiz komutların yürütülmesini engelleyen güvenlik kontrollerinden yararlanabilmektedir.Diğer bileşenlerde ise çalışmada kullanılan DNA aptamerleri ve sıfırdan tasarlanan protein bağlayıcıları üzerinde tasarım, deney ve analiz süreçleri incelenmiştir. Aptamer çalışmalarında ajanlar aday dizileri tasarlamakta, deneysel sonuçları değerlendirmekte ve elde edilen geri bildirime göre sonraki tasarım turlarını güncellemektedir. Protein bağlayıcılarının keşfinde ise VERID’nin izlenebilir laboratuvar otomasyonunun kapalı döngülü öğrenmeyle birleştirilmesi, gelecekteki araştırma adımı olarak tanımlanmaktadır..Aptamer deneylerinde her bir tasarım–deney–analiz döngüsü 7–10 gün sürmüş; üç tasarım turu sonunda hedefe bağlandığı doğrulanan adayların oranı miyoglobin için %33,5’e, alfa-trombin için %42,1’e ulaşmıştır.Sonuçlar, deneysel geri bildirimin tasarım stratejilerini düzeltmek açısından önemini ortaya koymaktadır.Miyoglobin deneylerinde ikinci turda G-kuadrupleks (G-quadruplex) motiflerinin aşırı zenginleşmesi, hedef dışı bağlanmaları artırmış ve boncuk etkisi düzeltilmiş hedefe yönelik bağlanma oranını %3,7’ye düşürmüştür.. Ajanlar bu sorunu belirledikten sonra tasarım kurallarını değiştirerek üçüncü turda hedef özgüllüğünü %72,4’e, hedefe özgü doğrulanmış bağlayıcı oranını ise %33,5’e yükseltmiştir. Alfa-trombin deneylerinde de ilk turda sabit primer uzantılarının dizilerin katlanmasını bozması nedeniyle bağlayıcı elde edilememiş; tasarımların yeniden düzenlenmesiyle üçüncü turda %98,5 özgüllükte %42,1 hedefe bağlanma başarısına ulaşılmıştır. Protein tasarımı tarafında ise proteinlerin biyolojik olarak ifade edilmesi, doğru katlanması ve seçilmesi gibi ek aşamalar içeren süreçte ekip, katı tümörlerde aşırı ifade edilebilen FAP (fibroblast aktivasyon proteini alfa) hedefi için tek haneli nanomolar düzeyde bağlanma afinitesine sahip protein bağlayıcılar elde etmiştir.Bağlanma bölgesinin çevresindeki yapının hesaplamalı katlanma işleminden çıkarılması, yapısal doğruluk korunurken tahmin sürecini 8,6 kat hızlandırmış; eşit hesaplama kaynaklarıyla yapılan karşılaştırmada insan ve yapay zekâ iş birliği, tek başına çalışan bir bilim insanına kıyasla hesaplamalı başarı oranını yaklaşık iki katına çıkarmıştır.
Bu bulgular, yapay zekâ ajanlarının biyolojik araştırmalarda yalnızca hesaplamalı tasarım yapan araçlar olarak değil, fiziksel deneylerden geri bildirim alarak araştırma stratejilerini geliştiren sistemler olarak değerlendirilebileceğini göstermektedir. Bununla birlikte Google Research ekibi, güvenilir otonom laboratuvarlar için deneylerin izlenebilirliğinin, protokol doğrulamasının ve biyogüvenlik kontrollerinin önemini vurgulamaktadır. Kaynakta, deneylerin kazanç işlevi (gain-of-function) riski taşımayan kontrollü ve enfeksiyöz olmayan sistemlerle sınırlandırıldığı, tasarlanan her dizinin biyogüvenlik taramasından geçirildiği ve protokollerin yürütülmeden önce simülasyonda denenerek dijital ikizle doğrulandığı belirtilmektedir. Çalışmada insan araştırmacılar tasarlanan dizileri ve deney protokollerini incelemekte, robotik uygulamaları denetlemekte ve kritik kararlarda yetki sahibi olmaya devam etmektedir. Dolayısıyla ortaya konan yaklaşım, bilim insanlarının rolünü ortadan kaldırmaktan ziyade hesaplamalı tasarım ile deneysel doğrulama arasındaki döngüyü hızlandırmayı hedeflemektedir. Bu sistemlerin daha geniş biyolojik araştırma süreçlerinde güvenilir biçimde kullanılabilmesi için deneysel hataların yönetilmesi, sonuçların tekrarlanabilirliği ve insan denetiminin sürdürülmesi önemini korumaktadır.

Yazar: Asmin Petekbaşı
Editör: Hazel Birgül

Referans: Rao, P., Sirkovic, P., & Pawlosky, A. (2026, October 16). Grounding AI agents in biological reality: Building blocks for autonomous wet labs. Google Research. https://research.google/blog/grounding-ai-agents-in-biological-reality-building-blocks-for-autonomous-wet-labs/