DESTEK OL

AlphaFold

AlphaFold: Derin Öğrenme ile Protein Yapı Tahmini Devrimi — Adım Adım Kullanım Kılavuzu

Bu rehber, AlphaFold yapay zeka modelinin, bir proteinin amino asit dizisinden üç boyutlu (3B) yapısını nasıl tahmin ettiğini, sonuçları nasıl yorumlayacağınızı ve bu yapıları bilimsel yayınlar veya sunumlar için nasıl hazırlayacağınızı adım adım açıklar. AlphaFold, yapısal biyolojide devrim yaratmış ve milyonlarca proteinin yapısını tahmin etme kapasitesi sunmuştur.

💡 Önemli Uyarı: AlphaFold bir tahmin modelidir. Özellikle deneysel yapı verisi olmayan bölgelerde (disordered regions) veya çoklu alt birimli komplekslerde hatalı tahminler yapabilir. Her zaman pLDDT ve PAE skorlarını kontrol edin ve mümkünse deneysel verilerle doğrulayın.

1. AlphaFold Nedir?

AlphaFold, DeepMind (Google) tarafından geliştirilen, protein katlanma (protein folding) problemini çözmek için derin öğrenme teknikleri kullanan bir yapay zeka sistemidir. 2020 yılında düzenlenen CASP14 yarışmasında insan uzman seviyesinin üzerine çıkarak büyük bir devrim yaratmıştır. AlphaFold2, tek bir amino asit dizisinden atom düzeyinde doğrulukta 3B yapı tahmini yapabilir.

Temel Özellikler:

  • Evrensel protein dizileri için 3B yapı tahmini.
  • Her amino asit için güvenilirlik skoru (pLDDT) sağlar.
  • İkili yapısal hizalama hatalarını gösteren PAE (Predicted Aligned Error) matrisi.
  • AlphaFold Protein Structure Database ile 200 milyondan fazla yapıya anında erişim.
  • Yerel kurulum veya ColabFold ile özel diziler için tahmin imkanı.

2. Adım Adım Kullanım Kılavuzu

Adım 1: AlphaFold Protein Structure Database’i Kullanma

En kolay kullanım şeklidir. Zaten tahmin edilmiş yapıları indirebilirsiniz.

  • AlphaFold DB: https://alphafold.ebi.ac.uk/
  • Protein adı (örneğin, “TP53 human”) veya Uniprot ID’si (örneğin, “P04637”) ile arama yapın.
  • Sayfada 3B yapıyı interaktif olarak inceleyebilir, pLDDT grafiğini ve PAE matrisini görebilirsiniz.
  • “Download” butonu ile PDB formatında yapıyı indirin.

Adım 2: Yeni Bir Dizi İçin Tahmin Yapmak (ColabFold)

Eğer proteininiz veritabanında yoksa, ColabFold arayüzü ile kendi tahmininizi yapabilirsiniz:

  • ColabFold: ColabFold Notebook
  • Google Hesabınızla giriş yapın.
  • “sequence” kutusuna FASTA formatında dizinizi yapıştırın (örneğin, >My_Protein\nMKWVTFISLLFLFSSAYSRGVFRRDAHKSEVAHRFKDLGEENFKALVLIAFAQYLQQCPFEDHVKLVNEVTEFAKTCVADESAENCDKSLHTLFGDKLCTVATLRETYGEMADCCAKQEPERNECFLQHKDDNPNLPRLVRPEVDVMCTAFHDNEETFLKKYLYEIARRHPYFYAPELLFFAKRYKAAFTECCQAADKAACLLPKLDELRDEGKASSAKQRLKCASLQKFGERAFKAWAVARLSQRFPKAEFAEVSKLVTDLTKVHTECCHGDLLECADDRADLAKYICENQDSISSKLKECCEKPLLEKSHCIAEVENDEMPADLPSLAADFVESKDVCKNYAEAKDVFLGMFLYEYARRHPDYSVVLLLRLAKTYETTLEKCCAAADPHECYAKVFDEFKPLVEEPQNLIKQNCDKCHTGLVRDFGDLVQK).
  • “Runtime → Run all” seçeneği ile tahmini başlatın (10-60 dakika sürebilir).
  • Tahmin tamamlandığında, PDB dosyasını ve pLDDT grafiğini indirin.

Adım 3: Sonuçları Yorumlama ve Görselleştirme

1. İndirdiğiniz PDB dosyasını PyMOL veya ChimeraX ile açın.
2. pLDDT grafiğini inceleyin: 90-100 çok güvenilir (mavi), 70-90 güvenilir (yeşil), 50-70 düşük güvenilirlik (sarı), 0-50 çok düşük (kırmızı).
3. PAE matrisine bakın: Düşük hata (mavi) bölgeler, yapısal olarak güvenilirdir.
4. Düşük pLDDT’ye sahip bölgeleri (örneğin, N/C uçları) görselde farklı renkte gösterin veya gizleyin.

# PyMOL'de pLDDT'ye göre renklendirme (B-factor olarak kayıtlıdır) spectrum b, blue_white_red, minimum=50, maximum=95

Adım 4: Bilimsel Yayın veya Sunum İçin Hazırlık

1. Yapı üzerindeki düşük güvenilirlikli bölgeleri gizleyin veya farklı stillerle gösterin.
2. Aktif bölge, ligand bağlanma bölgesi veya mutasyon noktalarını vurgulayın.
3. PyMOL veya ChimeraX ile 300 DPI çözünürlükte PNG/TIFF formatında görsel kaydedin.
4. pLDDT grafiğini ve PAE matrisini figür olarak ekleyin (güvenilirlik analizi için zorunludur).

3. Pratik Uygulamalar ve Örnek Senaryolar

Senaryo 1: Hastalıkla İlişkili Bir Mutasyonun Yapısal Etkisini İnceleme

1. Hastalıkla ilişkili bir proteini (örneğin, BRCA1) AlphaFold DB’den indirin.
2. Literatürde bildirilen patojenik mutasyonun (örneğin, C61G) bulunduğu pozisyonu bulun.
3. O bölgenin pLDDT skoruna bakın (yüksekse yapısal etki analizi güvenilirdir).
4. Mutasyonun yerel yapıyı (alfa-heliks, beta-sheets) bozup bozmadığını inceleyin.

Senaryo 2: Deneysel Yapı Olmayan Bir Proteinin Fonksiyonel Bölgesini Tahmin Etme

1. Henüz deneysel yapısı belirlenmemiş bir bakteriyel proteini seçin.
2. ColabFold ile yapısını tahmin edin.
3. pLDDT > 80 olan bölgelerde konservasyon analizi yapın (Consurf gibi araçlarla).
4. Konservasyonu yüksek ve yapısal olarak stabil bölgeleri, olası aktif bölge veya ligand bağlanma bölgesi olarak işaretleyin.

4. Yaygın Sorunlar ve Çözümleri

  • “Bu protein zaten veritabanında var” uyarısı: AlphaFold DB’de zaten varsa, yeniden tahmin etmek zaman kaybıdır. Direkt oradan indirin.
  • Tahmin çok uzun sürüyor: ColabFold’da “number of models” değerini 1’e düşürün veya “use templates” seçeneğini kapatın.
  • Yapı çok dağınık çıktı: pLDDT skoru genel olarak düşükse, dizi çok kısa, çok disordered veya çok farklı bir yapıya sahip olabilir. PAE matrisini inceleyin.

5. Bilgiyi Test Et

Soru 1: AlphaFold’un her amino asit için sağladığı yapısal güvenilirlik skorunun adı nedir?

Cevap: pLDDT (predicted Local Distance Difference Test). 0-100 arasında değer alır; 90-100 en güvenilir aralıktır.

Soru 2: AlphaFold DB’de olmayan bir proteinin yapısını tahmin etmek için önerilen en kolay yöntem hangisidir?

Cevap: ColabFold Google Colab notebook’u. Kurulum gerektirmez ve kolay arayüze sahiptir.

Soru 3: AlphaFold yapısını bilimsel bir yayında kullanırken mutlaka eklemeniz gereken iki doğrulama figürü hangileridir?

Cevap: pLDDT grafiği ve PAE (Predicted Aligned Error) matrisi. Bu iki figür, yapının hangi bölgelerinin güvenilir olduğunu gösterir.