En Büyük Soru: Hayat nasıl başladı?

Yapay zeka, kimyagerlerin yaşamın kökenine dair gizemleri çözmelerine ve diğer dünyalarda yaşamın izlerini tespit etmelerine yardımcı oluyor.

Hayatın nasıl başladığı bilimdeki en büyük ve en zor sorulardan biridir. Tek bildiğimiz 3,5 milyar yıldan daha uzun bir süre önce Dünya'da bir şeyler olduğu ve bunun evrendeki diğer pek çok gezegende de gerçekleşmiş olabileceği. 

Ancak bunu neyin yaptığını bilmiyoruz. Bir şekilde su ve metan gibi cansız kimyasallardan oluşan bir çorba birleşmeli ve kendi kendini organize etmeli, giderek daha karmaşık ve koordineli hale gelmeli, ta ki sonunda canlı bir hücre ortaya çıkana kadar.

En büyük zorluklardan biri, sorunun çok karmaşık olmasıdır: bilinen en basit bakteriler bile 100'den fazla gene sahiptir ve hepsi de mikroskobik bir dans içinde öfkeyle etkileşen yüzlerce çeşit molekül içerir. İlkel Dünya'daki ortam da karmaşık olmalı: metaller ve minerallerden su ve gazlara kadar çok sayıda farklı kimyasal madde rüzgarlar ve volkanik patlamalarla etrafa savruluyor.

Hollanda'nın Nijmegen kentindeki Radboud Üniversitesi'nde kimyager olan Wilhelm Huck, "Deneysel parametre uzayı neredeyse sonsuz" diyor.

Şimdi, birkaç araştırmacı yeni bir yaklaşım deniyor: kazanan koşulları sıfırlamak için yapay zekadan yararlanmak. Özellikle birkaç grup, insan beyninin kavrayamayacağı kadar büyük ve dağınık veri setlerindeki örüntüleri belirleyebilen makine öğrenimi araçlarını kullanmaya başladı.

Bu araçların, araştırmacıların aksi takdirde onlarca yıl sürecek bir işi yıllar içinde başarmalarına yardımcı olması umuluyor. Karmaşıklığın üretilmesi için en hızlı ve en sağlam süreçlere işaret ederek, yaşamın kökenine dair evrensel bir teori geliştirmemize yardımcı olabilirler - sadece Dünya'da değil, başka herhangi bir dünyada da geçerli olan bir teori.

Henüz erken ama şimdiden bazı önemli ilerlemeler kaydedildi.

Sıfırdan hayat yaratmak

Hayatın kökeni sorunu en azından kısmen kimya ile ilgilidir: hayatın oluşması için hangi koşullar altında hangi kimyasalların karışımı gereklidir? İngiltere'deki Glasgow Üniversitesi'nde kimyager olan Leroy "Lee" Cronin, "Kimya, insanlığın en derin sorularından biri olan bu soruyu yanıtlayacak" diyor.

Hayatın kökenine ilişkin çalışmalar 1953 yılında yayınlanan bir deneyle başlatıldı. Kimyager Harold Urey'in danışmanlığını yaptığı yüksek lisans öğrencisi Stanley Miller, su ve üç gazı cam şişelerde karıştırarak ısıttı ve genç Dünya'ya düzenli olarak düştüğünü varsaydığı şimşekleri taklit eden elektrik şoklarına maruz bıraktı. Bu düzenek birkaç gün içinde en basit amino asit ve proteinlerin yapı taşlarından biri olan glisini üretti.

Miller deneyi yaşam ya da ona yakın bir şey üretmemiş olsa da, nispeten denetimsiz olduğu için ikonik hale geldi: Miller deneyi kurdu ve çalışmasına izin verdi. Bunun, kimyasal reaksiyonları "doğru" sonuca yönlendirecek sentetik kimyagerlerin bulunmadığı genç Dünya'daki koşulları taklit etmesi amaçlanıyordu. Ancak, deneyin sözde gerçekçiliği de bir sorundu: o kadar çok kimyasal üretti ki, hepsini tanımlamak ve nasıl oluştuklarını anlamak neredeyse imkansızdı.

"Prebiyotik" kimyada daha sonra yapılan birçok deney daha dikkatli bir şekilde kontrol edilmiştir. Çok daha fazla amino asit, şeker ve diğer yaşam kimyasallarını üretmeyi başardılar. Bununla birlikte, bu kadar titizlikle düzenlenmiş reaksiyonların insan müdahalesi olmadan gerçekleşeceği açık değildir ve bu nedenle bize ilkel Dünya hakkında hiçbir şey söylemeyebilirler. Araştırmacıların istediği şey, Miller deneyine geri dönmenin, kontrolsüz karmaşık karışımlarda neler olduğunu keşfetmenin daha iyi yollarını bulmanın bir yolu.

İşte bu noktada makine öğrenimi devreye girebilir. Bu teknoloji biyolojideki mevcut sorunlara zaten uygulanmış durumda: özellikle Google DeepMind'ın AlphaFold sistemi binlerce proteinin üç boyutlu katlanmış şekillerini başarıyla tahmin etti. Bunu mümkün kılmak için yaratıcıları AlphaFold'u önce birçok proteinin bilinen yapıları üzerinde eğitti. Kalıpları öğrendikten sonra, henüz karakterize edilmemiş diğer proteinlerin yapılarını yüksek doğrulukla tahmin edebildi.

Wisconsin-Madison Üniversitesi'nden Betül Kaçar ve meslektaşları 2022'de yayınlanan bir çalışmada benzer bir şey yaptı. Bakterilerin ışıktan enerji emmek için kullandıkları rodopsin adı verilen proteinlerin evrimsel geçmişini yeniden yapılandırmaya çalışıyorlardı. Özellikle, en eski rodopsinlerin ne tür ışığı emdiğini bilmek istiyorlardı, çünkü bu onların ne tür bir ortamda evrimleştiğini gösterecekti.

Uzak akraba mikroplarda rodopsin kodlayan genleri karşılaştırarak, en eski rodopsin genlerinin (artık var olmayan genler) dizilimlerini tahmin edebildiler. Dahası, bu erken rodopsin proteinlerinin belirli ışık frekanslarına ayarlı olduğu sonucuna vardılar. Bunu, başka bir grup tarafından geliştirilen ve günümüz rodopsinlerinin ışık hassasiyetini tahmin edebilen bir makine öğrenimi tekniği kullanarak belirlediler. Kaçar'ın ekibi, ilkel rodopsinlerin en çok yeşil ışığa duyarlı olduğunu göstermek için makine öğrenimini kullandı. Bu durum, parçası oldukları mikropların, diğer ışık frekanslarının su tarafından engellendiği bir su kütlesinin yüzeyinin biraz altında yaşadıklarını düşündürdü. Bu, ilk yaşamın nereden kaynaklandığına dair diğer kanıtlarla da uyuşuyor.

Dağınıklığı keşfetmek

Peki ya bu karmaşık kimyasal karışımlar? Bunları anlamaya yönelik bir yaklaşım, 2020 yılında yayınlanan bir çalışmada, Kore Cumhuriyeti Ulsan'daki Temel Bilimler Enstitüsü'nde sentetik kimyager Bartosz Grzybowski tarafından öncülük edildi.

Ekip, 1953'teki Miller deneyinden bu yana yayınlanan ve her biri az sayıda reaksiyon gösteren düzinelerce makaleden prebiyotik kimya ile ilgili verileri derledi. Bunları tek bir veri tabanında birleştirerek bir reaksiyon ağı oluşturdular. Ardından, farklı kimyasal türleri arasında hangi tür etkileşimlerin gerçekleşebileceğine dayanarak yeni reaksiyonları tahmin etmek için bir bilgisayar programı yazdılar. 

Su ve amonyak da dahil olmak üzere altı basit başlangıç malzemesinden başlayarak, canlı organizmalarda bulunanların çoğu da dahil olmak üzere hafif koşullar altında on binlerce kimyasal oluşturmanın mümkün olduğunu gösterdiler. En önemlisi, yazılım daha önce hiç gözlemlenmemiş reaksiyonları öngördü ve araştırmacılar bunlardan birkaçını gerçekleştirdi. Bir çırpıda, ilk yaşamın oluşumunda önemli olabilecek bir dizi yeni kimyasal reaksiyon tespit etmiş oldular.

Yazılım olmasaydı bu çalışma imkansız olurdu. Grzybowski, "Bir insan on binlerce ya da milyonlarca bağlantıdan oluşan bir ağın haritasını çıkaramaz" diyor. Ancak yazılımın kimyagerler tarafından kodlandığını ve açık kurallara uyduğunu vurguluyor. "Yaptıklarımıza yapay zeka bile demezdim" diyor, daha ziyade "hibrit bir sistem".

Doğru tahminlerine rağmen Grzybowski'nin reaksiyon ağı hâlâ biraz teoriktir. Ayrıca her bir reaksiyonun ne kadar hızlı ilerlediğini ve önceki reaksiyonlardan kaynaklanan yan ürünlerin sonrakilere müdahale edip etmeyeceğini de bilmemiz gerekiyor. Hollanda'daki Radboud Üniversitesi'nde kimyager olan Huck ve meslektaşları, makine öğreniminin yardımıyla bu sorunun üstesinden gelmeye başladı.

2022'de yayınlanan bir çalışmada Huck'ın ekibi, basit karbon bazlı moleküllerden şekerler oluşturan formoz reaksiyonunu gerçekleştirdi. Deoksiriboz adı verilen bir şekerin DNA yapımında kullanıldığı düşünüldüğünde, şeker oluşturmak yaşamın kökeninde çok önemli bir erken adımdır. Formoz reaksiyonu bunu yapar, ancak bir sorun vardır. Huck, reaksiyonun "kombinatoryal bir patlama" geçirme eğiliminde olduğunu söylüyor: Reaksiyon, kesin koşullara bağlı olarak muazzam ölçüde değişen düzinelerce veya yüzlerce ürün üretiyor. 

Huck'ın ekibi reaksiyonu kontrol altında tutmak için küçük akış odalarında gerçekleştirdi. Sıcaklık ve farklı kimyasalların mevcudiyeti de dahil olmak üzere bir dizi koşulu değiştirdiler; birkaç düzine kimyasal ürettikten sonra durdurdular ve karışımı analiz ettiler.

Huck, sıcaklık gibi çevresel koşulların reaksiyonda hangi ürünlerin oluşacağını belirlediğini söylüyor. Ancak bunun nasıl ve neden olduğu açık değildir: koşullardaki küçük değişikliklerin bazen çok az etkisi olurken, bazen de büyük ölçüde farklı sonuçlara yol açarlar. İşte bu noktada makine öğrenimi devreye giriyor: Biraz eğitimden sonra yazılım, reaksiyonun ne ortaya çıkaracağını tahmin edebildi. Bu da bizi ilkel Dünya'da şeker üretme koşullarını anlamaya bir adım daha yaklaştırdı.

Çin'deki Wuhan Üniversitesi'nde bilgisayar modelcisi olan Wentao Ma, o dönemde geçerli olan çevresel koşulları ve diğer parametreleri belirlemenin yaşamın kökeni araştırmalarının en büyük sorunlarından biri olduğunu söylüyor. Makine öğrenimi gibi teknikler bu sorunu çözmeye yardımcı olacak. 2021 yılında yapılan bir çalışmada, Ma ve meslektaşları bir nükleik asit karışımını simüle ettiler. Makine öğrenimini kullanarak, kendi yapı taşlarının oluşumunu hızlandırabilecek nükleik asitler oluşturmak için en uygun koşulları bulabildiler - yaşamın bağlı olduğu bir tür erdemli döngü.

Son olarak, makine öğrenimi, kimyasal reaksiyonların gerçekleştiği kesin mekanizmaların yüksek doğruluklu simülasyonlarının oluşturulmasına da yardımcı olabilir - bu, ne zaman çalışıp çalışmayacaklarını tahmin etmek için çok önemlidir. Bunun için anahtar araçlar, bir karışımdaki tüm atomları etrafta zıplarken ve birbirleriyle etkileşirken simüle eden bilgisayar modelleridir. Paris'teki Sorbonne Üniversitesi'nde modelci olan Timothée Devergne, "Simülasyonu gerçekleştirirken sistemin mikroskobik davranışına erişebiliyoruz" diyor.

Ancak bu "atomistik" simülasyonlar hızla inanılmaz derecede zaman alıcı hale gelmektedir. Atomlar arasındaki her bir etkileşim karmaşık denklemlerin çözülmesini gerektirir, bu nedenle ilkel Dünya'da var olan karmaşık karışımları simüle etmek çok zor olmuştur. Sonuç olarak, prebiyotik kimya deneyleri kara kutu gibi bir şey olmuştur: neyin tükürüldüğünü görebiliyoruz, ancak tam olarak ne olduğu gizemlidir.

Devergne bu sorunu çözmek için makine öğrenimini kullanıyor. 2007 yılında, İsviçre'deki ETH Zürih'teki araştırmacılar, gerekli denklemlerin en olası çözümlerini öğrenebilen bir sinir ağı geliştirdiler. Bu, hesaplamaları birkaç büyüklük sırasına göre hızlandırdı. Devergne ve meslektaşları şimdi bu yöntemi prebiyotik kimyaya uyguluyor. Prensibin bir kanıtı olarak, 2022'de yayınlanan bir çalışmada, Miller'ın deneyinde glisin oluşturan reaksiyonları simüle etmek için makine öğrenimini kullandılar - Devergne'nin danışmanının daha önce makine öğrenimi olmadan simüle ettiği bir şey. Sinir ağı, hesaplama süresini 10 ila 50 kat azalttı. Başka bir grubun benzer sonuçları 2022'de bir ön baskı olarak yayınlandı.

Ne işe yarıyor?

Bu haber için görüşülen herkes, makine öğrenimi ve diğer yapay zeka araçlarının yaşamın kökenine ilişkin araştırmalarda kullanılmasının henüz çok erken bir aşamada olduğu konusunda hemfikir. Bazıları bu yaklaşımı fazla abartmaktan çekiniyor. 

Edinburgh Üniversitesi'nde hesaplama bilimcisi olan Valentina Erastova, "Bize yeni şeyler söyleyemez, çünkü ne bildiğini biliyor" diyor. Makine öğrenimi araçlarının ancak muazzam miktarda yüksek kaliteli veriyle beslendikten sonra doğru tahminler yapabileceğini söylüyor: "Size eğilimleri ve bağlantıları gösterebilir, ancak göstereceği bağlantılar da onu nasıl eğittiğinize göre tamamen yanlıdır."

Açık olan şu ki, yapay zeka türü araçlar aksi takdirde angarya olacak işleri hızlandırabilir. Örneğin, 2018'de Cronin'in ekibi kimyasal deneyleri ve analizleri insanlardan daha hızlı gerçekleştirebilen bir robot tanımladı. Bu robot, reaksiyonların ilerleyişini gerçek zamanlı olarak değerlendirmek ve hangi karışımların reaksiyona girip girmeyeceğini tahmin etmek için makine öğrenimini kullandı. Cronin kimyayı dijitalleştirmek için zaten yıllarını harcadı: bu sistemleri prebiyotik kimya deneyleri yapmak ve yaşamın oluşumuna giden yolları keşfetmek için kullanmayı planlıyor. AlphaFold'a benzer şekilde, "AlphaSoup" yapmak istediğini söylüyor.

Makine öğreniminin gücü, insanların göremediği büyük veri kümelerindeki örüntüleri görebilmesidir. Huck, "Karmaşık karışımlardaki örüntüleri yakalayabiliyor ve kendi başınıza fark edemeyeceğiniz süreçleri saptayabiliyorsunuz," diyor. "Bu o kadar yüksek boyutlu bir alan ki, örüntüler sizden kaçıyor." 

Bu yöntemlerin, araştırmacıların ilkel Dünya'da bulunanlar gibi karmaşık etkileşimli karışımlarda neler olup bittiğini nihayet anlamalarını sağlayacağı umuluyor. Devergne, "Bu [teknoloji] bize eskisinden çok daha büyük sistemleri inceleme olanağı veriyor" diyor.

Son bir soru daha var. Deneylerden birinin başarılı olduğunu ve bir biyokimyacının laboratuvarda basit bir yaşam formu oluşturmayı başardığını varsayalım - ya da Mars'taki Perseverance keşif aracının dünya dışı bir mikrop keşfettiğini varsayalım. Baktığımız şeyin gerçekten canlı olup olmadığını nasıl anlayacağız?

Washington DC'deki Howard Üniversitesi'nde jeokimyacı olan Jim Cleaves, "Bu jeokimyada eski bir sorun" diyor. "Bir şeyin canlı olduğunu ya da olmadığını nasıl söylersiniz?"

Cronin'e göre cevap "montaj teorisi". O ve meslektaşları, yaşamın ayırt edici özelliğinin çok sayıda son derece karmaşık nesne üretmesi olduğunu savunuyor. Bir nesnenin karmaşıklığını, onu yapmak için gereken adım sayısıyla tanımlıyorlar. 2021 yılında yapılan bir çalışmada, moleküllerin ölçülen karmaşıklığına dayanarak yaşam tarafından üretilen örnekler ile yaşam olmadan üretilen örnekler arasında ayrım yapabildiklerine dair kanıtlar sundular. Analizleri hızlandırmak için makine öğrenimi kullanıldı.

Eylül ayında yayınlanan bir çalışmada Cleaves ve meslektaşları makine öğrenimini daha doğrudan kullandılar. Bir sinir ağını basmati pirinci, kömür ve şeyl de dahil olmak üzere çok çeşitli maddeler üzerinde eğittiler. Daha sonra biyolojik ve biyolojik olmayan örnekleri %90 doğrulukla tanımlayabildi. Cleaves, yapay zekanın Cronin'inkinden biraz farklı bir ölçüt kullandığını, tek tek bileşenlerin karmaşıklığından ziyade bir numunedeki kimyasal bileşenlerin genel karışımına odaklandığını söylüyor. "Bunlar birbirini tamamlayan fikirler" diyor.

Cleaves, bu gibi yöntemlerin NASA'nın Mars keşif araçları gibi sondalardan gelen verilere uygulanabileceğini söylüyor. Örneğin, Curiosity keşif aracı, ekibinin kullandığına benzer kimyasal analizler yapan Mars'ta Örnek Analizi (SAM) adlı bir cihaza sahip. Nispeten küçük değişikliklerle "bunu şimdi de yapabilirsiniz" diyor. 

Bu arada Cronin ve Huck gibi araştırmacılar ilkel biyokimya çalışmalarına devam ediyorlar. Cronin, "AlphaFold gibi makine öğrenimi tekniklerini kullanabileceğimizi düşünüyorum, ancak bunları kimyasal çorba üzerinde yeniden eğitmemiz gerekecek" diyor. "AlphaSoup yapmamız gerekiyor. Eğer AlphaSoup'u yapabilirsek, yarışlara katılabiliriz."

http://tinyurl.com/UskudarCevresi231224