EquiPocket: an E(3)-Equivariant Geometric Graph Neural Network for Ligand Binding Site Prediction
تقدم الورقة البحثية EquiPocket، وهو شبكة عصبية رسومية هندسية متساوية التكافؤ مع E(3)، يتغلب على قيود طرق الشبكات العصبية الالتفافية القائمة على الفوكسل (voxel) من خلال النمذجة الفعالة لهياكل البروتين غير المنتظمة، وثبات الدوران، وهندسة السطح لتحقيق تنبؤ فائق بمواقع ارتباط اللجين.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
في العالم المجهري للخلايا الحية، تعتمد الحياة على حوار مستمر ودقيق بين الجزيئات. تعمل البروتينات الكبيرة كمستقبلات، تنتظر وصول رسل كيميائية صغيرة تسمى "الربيطات" (ligands) لتحفيز استجابة معينة. هذا التفاعل لا يحدث عشوائياً عبر سطح البروتين بأكه، بل يحدث في فجوات أو جيوب محددة، وغالباً ما تكون مخفية. إن العثًور على هذه الجيوب هو الخطوة الأولى الحاسمة في تصميم أدوية جديدة، حيث يجب أن تتناسب الأدوية مع هذه المساحات لكي تعمل. لعقود من الزمن، حاول العلماء رسم خرائط لهذه المواقع باستخدام النماذج الحاسوبية، لكن البروتينات نفسها ذات أشكال غير منتظمة ومعقدة تقاوم التمثيل الرقمي البسيط. حاولت الطرق التقليدية غالباً فرض هذه الهياكل ثلاثية الأبعاد المعقدة في شبكات مربعة مرتبة، تماماً مثل محاولة وضع صخرة مسننة في صندوق مربع. هذا النهج غالباً ما كان يغفل التفاصيل الدقيقة لسطح البروتين أو يفشل عندما يتم تدوير البروتين أو تغيير حجمه، مما يؤدي إلى تنبؤات غير دقيقة حول مكان ارتباط الدواء.
اقترح فريق من الباحثين الآن طريقة جديدة لحل هذا اللغز، مبتعدين عن الشبكات الصلبة نحو نهج هندسي أكثر مرونة. لقد طوروا نظاماً يسمى "إيكوي بوكيت" (EquiPocket)، والذي يعامل البروتين ليس كمجموعة من البكسلات في صورة ثلاثية الأبعاد، بل كشبكة من النقاط المتصلة. في هذا النموذج، كل ذرة هي عقدة، والروابط بينها هي الاتصالات. تم تصميم النظام لفهم شكل البروتين بغض النظر عن كيفية تدويره أو إزاحته في الفضاء، وهي خاصية تحاكي الطريقة التي تعمل بها القوانين الفيزيائية في العالم الحقيقي. ومن خلال التركيز على سطح البروتين — الحافة الفعلية حيث يلمس الدواء البروتين — يجمع النظام معلومات مفصلة حول الهندسة المحلية، مثل الزوايا والمسافات بين الذرات، بدلاً من مجرد النظر إلى تقريب خشن ومربع.
بنى الباحثون هذا النظام من ثلاثة أجزاء متميزة تعمل معاً لفهم البروتين. أولاً، يفحص النظام الجوار المباشر لكل ذرة على السطح، باستخدام مسبار افتراضي لقياس شكل المساحة المحيطة. وهذا يسمح له باكتشاف المنحنيات والشقوق الدقيقة التي تحدد جيب الارتباط. ثانياً، ينظر إلى البروتين ككل، محللاً الأنواع الكيميائية للذرات وكيفية اتصالها لفهم الهيكل الأوسع. وأخيراً، يقوم بتمرير المعلومات بين ذرات السطح، مما يسمح للنظام بتعلم كيفية دمج الأشكال المحلية لتكوين موقع الارتباط الأكبر. وللتعامل مع حقيقة أن البروتينات تختلف بشكل هائل في الحجم، من الجزيئات الصغيرة إلى الهياكل الضخمة، أضاف الفريق طبقة خاصة تعدل تركيزها بناءً على مدى ازدحام الذرات في منطقة معينة. وهذا يضمن عمل النظام بنفس الكفاءة على بروتين صغير يحتوي على بضع مئات من الذرات وعلى بروتين عملاق يحتوي على الآلاف.
عند اختباره مقابل الأساليب الموجودة في عدة مجموعات بيانات قياسية، أظهر هذا النهج الجديد مزايا واضحة. فقد كان قادراً على التنبؤ بمواقع مواقع الارتباط بدقة أكبر من التقنيات السابقة، بما في ذلك التقنيات القائمة على التعلم العميق التي تستخدم الشبكات ثلاثية الأبعاد. كانت الأساليب القديمة القائمة على الشبكات تعاني غالباً مع البروتينات الكبيرة، حيث كانت تفشل أحياناً في العثور على موقع الارتباط لأن البروتين كان أكبر من أن يتسع في صناديقها الرقمية ثابتة الحجم. وفي المقابل، تكيف النظام الجديد طبيعياً مع البروتينات من أي حجم. كما أثبت موثوقية أكبر عند تدوير البروتين، وهي مشكلة شائعة للنماذج القديمة التي كانت تعطي إجابات مختلفة اعتماداً على اتجاه البروتين. ووجد الباحثون أن الجمع بين تفاصيل السطح المحلية والهيكل الكيميائي العالمي كان أمراً ضرورياً؛ إذ أدى إزالة أي منهما إلى انخفاض كبير في أداء النظام.
كما كشفت الدراسة أن النظام يمكنه تعلم التنبؤ ليس فقط بمكان وجود موقع الارتباط، بل أيضاً بالاتجاه الذي سيقترب منه جزيء الدواء. ساعدت هذه الطبقة الإضافية من الفهم الهندسي النموذج على الأداء بشكل أفضل، لا سيما في البروتينات الأصغر حجماً. وبينما يتطلب النظام قوة حوسبة أكبر من الأدوات الهندسية البسيطة، إلا أنه يظل أسرع وأكثر كفاءة من أساليب الشبكات ثلاثية الأبعاد الثقيلة، محققاً توازناً بين السرعة والدقة. ويشير العمل إلى أنه من خلال احترام الهندسة الطبيعية وغير المنتظمة للبروتينات ومعاملتها كشبكات مترابطة بدلاً من صور ثابتة، يمكن للعلماء بناء أدوات أكثر موثوقية لاكتشاف الأدوية. وقد جعل الباحثون كود البرمجة الخاص بهم متاحاً، مما يسمح للآخرين باختبار وبناء المزيد على هذه الطريقة الجديدة لرؤية العالم الجزيئي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.