mRNA Design and Optimization with Deep Knowledge-Infused Approach
تقدم الورقة البحثية نموذج RNop، وهو نموذج Transformer معزز بالمعرفة يحل "المثلث المستحيل" لتحسين الحمض النووي الريبوزي المرسال (mRNA) من خلال دمج خسائر متوافقة مع الآليات الحيوية لتحقيق دقة مطلقة في التسلسل، وتحسن كبير في المقاييس البيولوجية، وإنتاجية عالية، مما يحول تصميم الـ mRNA من عملية "الصندوق الأسود" إلى مشكلة هندسية قابلة للتنبؤ والتفسير.
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
تُعد الحمض النووي الريبوزي المرسال، أو mRNA، بمثابة دليل التعليمات الخاص بالخلية؛ فهو يحمل المخطط الجيني من DNA إلى مصانع صنع البروتين، ويخبر الخلية بالضبط أي البروتينات يجب بناؤها وبأي كميات. ولعقود من الزمن، كافح العلماء لإعادة كتابة هذه التعليمات للاستخدام الطبي. فعندما يصمم الباحثون mRNA لإنشاء لقاحات أو علاجات، يواجهون عملية توازن صعبة؛ إذ يتعين عليهم تعديل التسلسل لجعل الخلية تنتج المزيد من البروتين، لكن لا يمكنهم تغيير البروتين الفعلي الذي يتم صنعه، وإلا فشل العلاج. كما يتعين عليهم القيام بذلك بسرعة كافية لتصميم آلاف التسلسلات في وقت واحد. وحتى الآن، كانت الأدوات الموجودة تجبر العلماء على الاختيار بين هذه الأهداف: فإما أن يضمنوا بقاء البروتين صحيحاً، أو يحسنوا من أجل السرعة والكمية، ولكن نادراً ما يجمعون بينهما.
وقد طور فريق من الباحثين الآن نهجاً جديداً يكسر هذا المأزق. فمن خلال تعليم نموذج حاسوبي اتباع قواعد بيولوجية محددة بدلاً من مجرد تخمين الأنماط، أنشأوا نظاماً يمكنه تحسين تسلسلات mRNA بدقة مثالية، وسرعة عالية، وإنتاج بروتيني محسّن. هذا الأسلوب، المسمى RNop، يعامل عملية التصميم ليس كلعبة تخمين غامضة، بل كمهمة هندسية محكومة حيث يتم توجيه كل تغيير بواسطة مبادئ بيولوجية معروفة. والنتيجة هي أداة يمكنها توليد تسلسلات mRNA أكثر فعالية بشكل ملحوظ من الطرق السابقة، مع ضمان بقاء البروتين النهائي مطابقاً تماماً لما هو مقصود.
غالباً ما يوصف التحدي الأساسي في تصميم mRNA بأنه "مثلث مستحيل". في أحد أركانه تقع "الأمانة" (Fidelity)، وهي المتطلب بأن ينتج التسلسل الجديد نفس البروتين الأصلي تماماً. وفي الركن الثاني تكمن القدرة على تحسين أهداف بيولوجية متعددة في آن واحد، مثل جعل mRNA أكثر استقراراً أو أسهل في القراءة من قبل الخلية. أما الركن الثالث فهو "السرعة"، أي الحاجة إلى معالجة أعداد هائلة من التسلسلات بسرعة. كانت الخوارزميات الحاسوبية التقليدية تضمن صحة البروتين ولكنها كانت بطيئة جداً للاستخدام واسع النط。 أما نماذج الذكاء الاصطناي الحديثة فكانت سريعة وقادرة على التحسين لأهداف عديدة، لكنها كانت غالباً ما ترتكب أخطاء صغيرة غير مقصودة تغير البروتين، مما يجعل التصميم عديم الفائدة. كانت هذه النماذج تعمل كـ "صندوق أسود"، تتعلم من كميات هائلة من البيانات دون فهم القواعد الكامنة، مما جعل من المستحيل التحكم في أخطائها أو تفسير سبب اتخاذها لخيارات معينة.
لقد حل الباحثون هذه المشكلة عن طريق تغيير كيفية تعلم الحاسوب. فبدلاً من ترك النموذج يخمن القواعد من البيانات وحدها، قاموا بتعليمه قواعد البيولوجيا صراحةً من خلال نظام من العقوبات والمكافآت أثناء التدريب. لقد بنوا نموذجاً يفهم العلاقة بين الشفرة الوراثية والبروتين الناتج؛ فإذا اقترح النموذج تغييراً من شأنه أن يعدل البروتين، يقوم النظام فوراً بمعاقبة هذا الاقتراح، مما يجبر النموذج على إيجاد مسار مختلف يحافظ على تطابق البروتين. وهذا يضمن أن يكون المخرج النهائي دائماً وفياً لتسلسل البروتين الأصلي. وفي الوقت نفسه، يتم مكافأة النموذج على إجراء تغييرات مفيدة أخرى، مثل اختيار الشفرات الوراثية التي تفضلها آليات الخلية أو ترتيب التسلسل ليكون أكثر استقراراً.
سمح هذا النهج للفريق بتدريب نظام على أكثر من ستة ملايين تسلسل جيني. وعند اختباره في عمليات محاكاة حاسوبية، أنتج النموذج الجديد باستمرار تسلسلات مطابقة تماماً للبروتينات الأصلية، مع صفر من الأخطاء. وفي الوقت ذاته، أظهرت هذه التسلسلات المحسنة تحسينات كبيرة في المقاييس البيولوجية التي تتنبأ بمدى جودة قراءة الخلية لها. تمكن النموذج من التعامل مع تسلسلات ذات أطوال متفاوتة والعمل عبر أنواع مختلفة من الكائنات، من البكتيريا إلى البشر، مما أثبت أنه قد تعلم القواعد العامة للبيولوجيا بدلاً من مجرد حفظ أمثلة محددة. وخلافاً للطرق القديمة التي عانت مع التسلسلات الطويلة أو استغرقت ساعات لمعالجة تصميم واحد، استطاع هذا النظام الجديد توليد عشرات التسلسلات المحسنة في كل ثانية، مما يجعله مناسباً للتطبيقات الصناعية عالية الإنتاجية.
وللتأكد من هذه النتائج في العالم الحقيقي، اختبر الباحثون التسلسلات المحسنة في خلايا حية. استخدموا خلايا بشرية في طبق مختبري لمعرفة كمية البروتين المنتجة من التعليمات الجديدة. وكانت النتائج مذهلة؛ فقد أنتجت التسلسلات المصممة بواسطة النظام الجديد بروتيناً أكثر بمقدار يصل إلى 2.28 مرة من التسلسلات التي تُعتبر بالفعل محسنة للغاية وفق المعايير التجارية. وفي اختبار محدد، فشلت طريقة منافسة تماماً، حيث لم تنتج أي بروتين تقريباً لأنها غيرت بنية الرسالة بشكل كبير جداً. وقد تجنب النظام الجديد هذا الفشل من خلال الموازنة بين جميع العوامل الضرورية، وضمان بقاء الرسالة قابلة للقراءة ومستقرة. وقد أثبت هذا أن تنبؤات الحاسوب تُرجمت مباشرة إلى نجاح بيولوجي حقيقي.
تكمن قوة هذا النظام في شفافيته. فبما أن القواعد مبنية داخل النموذج، يمكن للعلماء ضبط أهمية الأهداف المختلفة. فإذا أرادوا أن يكونوا صارمين للغاية بشأن إبقاء البروتين دون تغيير، يمكنهم تشديد القواعد. وإذا أرادوا السماح بقدر أكبر من المرونة لاستكشاف إمكانيات جديدة، يمكنهم تخفيفها. هذا التحكم يحول عملية التصميم من تمرين تجربة وخطأ غامض إلى تخصص هندسي يمكن التنبؤ به. وقد أظهر الباحثون أنه من خلال ضخ معرفة واضحة وقابلة للتفسير في النموذج، استطاعوا تحقيق نتائج كانت تُعتبر سابقاً متناقضة ولا يمكن الجمع بينها.
يمثل هذا العمل تحولاً في كيفية مقاربة العلماء للتصميم البيولوجي؛ فهو ينتقل من الاعتماد على الذكاء الاصطناوي للعثور على الأنماط في الطبيعة بشكل أعمى، إلى استخدام الذكاء الاصطناي لتطبيق المبادئ العلمية المعروفة بصرامة. النظام مصمم ليكون مرناً، مما يعني أنه مع اكتشاف العلماء لقواعد بيولوجية جديدة، يمكنهم إضافتها إلى النموذج دون الحاجة إلى إعادة بناء النظام بأكره. وهذا يفتح الباب لتصميم mRNA لمجموعة أوسع من التطبيقات، من اللقاحات الجديدة إلى الإنتاج البروتيني الصناعي، بمستوى من السرعة والموثوقية لم يكن ممكناً من قبل. ومن خلال حل "المثلث المستحيل" المتمثل في الأمانة، والتحسين، والسرعة، قدم الباحثون أداة جديدة تجعل هندسة تعليمات الحياة أكثر دقة وأكثر قوة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.