Deep Learning for Protein Complex Prediction and Design
تستفيد هذه الأطروحة من التعلم العميق للنهوض بالتنبؤ بالمعقدات البروتينية وتصميمها عبر تطوير بنيات متخصصة تلتقط التسلسلات الهرمية البنيوية وإنشاء خوارزميات بحث للتنقل بكفاءة في فضاءات المتواليات لتحديد النظائر المتماثلة المتفاعلة وتصميم تسلسلات بروتينية جديدة.
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
تخيل البروتينات كقطع أحجية ثلاثية الأبعاد معقدة تطفو داخل جسدك. لفهم كيف تعمل الحياة، يحتاج العلماء إلى معرفة كيفية تشابك هذه القطع بدقة لتكوين آلات أكبر تسمى المعقدات البروتينية (protein complexes). أحياناً تتحد قطعتان مختلفتان (ثنائي متباين - heterodimer)، وأحياناً تتحد قطعتان متطابقتان (ثنائي متماثل - homodimer).
تتناول هذه الأطروحة لـ "زيوي شي" (Ziwei Xie) مشكلة التنبؤ بكيفية توافق هذه القطع مع بعضها البعض، وبالعكس، كيفية تصميم قطع جديدة تتناسب تماماً مع هدف محدد. تستخدم المؤلفة ثلاث "أدوات" رئيسية (طرق التعلم العميق) لحل هذه الأحاجي.
إليك تفصيل بسيط للمساهمات الثلاث الرئيسية:
1. GLINTER: "كاشف المصافحة"
المشكلة: عندما يلتقي بروتينان، فإنهما يتلامسان في نقاط محددة تسمى "الواجهات" (interfaces). التنبؤ بمكان تلامسهما بدقة يشبه محاولة تخمين أي شخصين في غرفة مزدحمة على وشك المصافحة، فقط من خلال النظر إلى ملابسهما الفردية.
الحل (GLINTER):
فكر في GLINTER كأنه محقق ذكي جداً ينظر إلى دليلين في وقت واحد:
- الشكل: ينظر إلى الشكل ثلاثي الأبعاد للبروتينات الفردية (مثل النظر إلى قصة ملابسهما).
- التاريخ: ينظر إلى "التاريخ العائلي" لهذه البروتينات. إذا تطورت بروتينات معينة معاً عبر ملايين السنين، فمن المرجح أن يكون لديهما نمط "مصافحة" مشترك. يستخدم GLINTER ذكاءً اصطناعياً خاصاً (المحول - transformer) لقراءة هذا التاريخ التطوري.
النتيجة: من خلال الجمع بين الشكل الفيزيائي والتاريخ التطوري، يمكن لـ GLINTER التنبؤ بنقاط المصافحة بشكل أفضل بكثير من الطرق السابقة. وهو يعمل جيداً مع التوائم المتطابقة (homodimers) والشركاء المختلفين (heterodimers). وهذا يساعد العلماء في معرفة كيفية تجميع قطع الأحجية بشكل صحيح.
2. ESMPair: "الخاطبة للأقارب المفقودين"
المشكلة: للتنبؤ بكيفية تفاعل بروتينين مختلفين، يحتاج العلماء إلى إيجاد "أقربائهم" (المتماثلات - homologs) من أنواع أخرى لمعرفة كيف تطوروا معاً. ومع ذلك، في الكائنات المعقدة (مثل البشر/حقيقيات النوى)، هناك العديد من الأقارب الذين يشبهون بعضهم البعض (البروتينات المتوازية - paralogs). الأمر يشبه محاولة مطابقة توأم لشخص معين من بلد آخر، ولكن هناك 50 شخصاً يشبهونه تماماً في ذلك البلد. الطرق التقليدية غالباً ما تختار "التوأم" الخطأ، مما يؤدي إلى تنبؤ سيء.
الحل (ESMPair):
ESMPair هي خوارزمية مطابقة جديدة تستخدم "نموذج لغة" (ذكاء اصطناعي مدرب على ملايين الجمل البروتينية).
- بدلاً من مجرد النظر إلى مدى تشابه الأسماء (التسلسلات)، ينظر ESMPair إلى كيفية "انتباه" هذه البروتينات لبعضها البعض في تاريخها التطوري.
- تخيل أنك تحاول مطابقة راقصين؛ بدلاً من مجرد التحقق مما إذا كان لديهم نفس مقاس الحذاء، يستمع ESMPair إلى الموسيقى التي يعرفها كلاهما ويرى من يتحرك طبيعياً على نفس الإيقاع.
النتيجة: يعد ESMPair أفضل بكثير في إيجاد الشركاء التطوريين الصحيحين، خاصة في الكائنات المعقدة حيث يوجد العديد من المتشابهين. وعندما يغذي هذه الأزواج الصحيحة محرك التنبؤ الرئيسي (AlphaFold-Multimeter)، فإن الهياكل ثلاثية الأبعاد الناتجة تكون أكثر دقة بشكل كبير. كما أنه يعمل بشكل رائع مع الأزواج "عابرة الممالك" (مثل بروتين بشري يلتقي ببروتين بكتيري)، والتي عادة ما يكون من الصعب التنبؤ بها.
3. RedNet: "مصمم البدلات المخصصة"
المشكلة: أحياناً، لا تريد فقط التنبؤ بكيفية توافق البروتينات؛ بل تريد تصميم بروتين جديد يعمل كمفتاح للقفل على هدف محدد (مثل الدواء). هذا يسمى "تصميم الرابط" (binder design). التحديد يكمن في صنع مفتاح يناسب القفل تماماً ولكن لا يناسب أي أقفال أخرى مشابهة قريبة منه.
الحل (RedNet):
RedNet هي أداة تصميم تعمل كخياط ماهر.
- الهيكل العظمي: تبدأ بهيكل ثابت (العمود الفقري) للبروتين الذي تريد تصميمه.
- النسيج: ثم تقرر أي أحماض أمينية (النسيج) ستستخدم لتغطية ذلك الهيكل.
- خدعة التباين: هذا هو الجزء الذكي. RedNet لا تحاول فقط جعل البدلة تناسب الهدف؛ بل تستخدم طريقة "تباينية" (contrastive): فهي تسأل، "هل تناسب هذه البدلة الهدف أفضل مما تناسب هدفاً آخر مشابهاً؟" إنها تتعلم من خلال المقارنة بين "الملاءمة الجيدة" و"الملاءمة السيئة".
النتيجة: يصمم RedNet بروتينات ليست مستقرة فحسب، بل هي أيضاً محددة للغاية. فهي تلتصق بقوة بالهدف المقصود ولكنها تتجاهل الأهداف "المزيفة" المشابهة جداً. وهذا أمر بالغ الأهمية لصنع أدوية تعالج المرض دون التسبب في آثار جانبية عبر استهداف بروتين خاطئ.
الملخص
باخت-صار، تبني هذه الأطروحة مجموعة أدوات لمستقبل البيولوجيا:
- GLINTER يساعدنا في رؤية أين تتلامس البروتينات.
- ESMPair يساعدنا في إيجاد الشركاء التطوريين الصحيحين لجعل تلك التنبؤات دقيقة.
- RedNet يساعدنا في تصميم بروتينات جديدة تعمل كمفاتيح دقيقة ومصممة خصيصاً لأقفال بيولوجية محددة.
معاً، تُظهر هذه الأدوات أنه من خلال الجمع بين التعلم العميق وقواعد التطور والفيزياء، يمكننا فهم وهندسة الآلات الجزيئية للحياة بشكل أفضل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.