← أحدث الأبحاث
🧬 biology

A meta-algorithm for ab initio reconstruction of complex mixtures in cryo-EM

تقدم هذه الورقة خوارزمية عليا منهجية لإعادة البناء من المبادئ الأولية لخلائط المجهر الإلكتروني برد المبرد (cryo-EM) المعقدة التي تحتوي على عشرات الأنواع المتميزة، محققة دقة عالية في مجموعات البيانات المرجعية ومظهرةً نجاحاً في استعادة حالات تجميع الريبوسومات من بيانات تجريبية غير مصفاة.

المؤلفون الأصليون: Alkin Kaz, Arda Kaz, Ellen D. Zhong

نُشر 2026-08-27
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Alkin Kaz, Arda Kaz, Ellen D. Zhong

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 الظلام المتجمد والهادئ لمجمد المختبر، يحاول العلماء رؤية الآلات الخفية للحياة. إنهم يستخدمون تقنية تسمى المجهر الإلكتروني فائق التبريد (cryo-electron microscopy)، والتي تتضمن تجميد قطرة من الماء تحتوي على جزيئات بيولوجية دقيقة بشكل خاطف حتى لا تشكل بلورات ثلجية قد تؤدي إلى تلفها. وبمجرد تجميد هذه الجزيئات، يتم إطلاق حزم من الإلكترونات عبرها لإنشاء آلاف الصور ثنائية الأبعاد الضبابية. والهدف هو تجميع هذه اللقطات المسطحة والمشوشة وتركيبها لتكوين نموذج ثلاثي الأبعاد حاد للجزيء. تشبه هذه العملية محاولة إعادة بناء مزهرية محطمة من كومة من الشظايا المكسورة، ولكن مع فارق واحد: الشظايا جميعها تواجه اتجاهات مختلفة، والكومة غالباً ما تحتوي على قطع من مزهريات عديدة مختلطة معاً. لسنوات، نجحت هذه الطريقة بشكل رائع مع العينات النقية، حيث تكون كل جزيئة متطابقة تماماً. لكن الطبيعة نادراً ما تكون منظمة بهذا الشكل؛ فالعينات البيولوجية الحقيقية غالباً ما تحتوي على "حساء" فوضوي من الأشكال والأحجام الجزيئية المختلفة، مما يجعل من المستحيل تقريباً على البرامج الحاسوبية القياسية فرزها وبناء صورة واضحة لأي منها بمفردها.

لقد طور فريق من الباحثين في جامعة برينستون وجامعة كاليفورنيا، بيركلي، طريقة جديدة للتعامل مع هذه الفوضى. فقد أدركوا أنه بينما قد يفشل برنامج حاسوبي واحد في فرز خليط معقد بشكل مثالي، إلا أنه نادراً ما يكون عديم الفائدة تماماً. فحتى المحاولة الفاشلة للفرز عادة ما تصيب بعض الأشياء، وإن لم تصب كل شيء. تعامل الباحثون مع هذه المحاولات غير المكتملة كإشارات ضعيفة؛ فبدلاً من الاعتماد على تشغيل واحد قوي ومثالي، قاموا بتشغيل عملية الفرز مئات المرات بإعدادات مختلفة قليلاً ونقاط بداية عشوائية. أنتجت كل عملية خريطة تقريبية وجزئية لكيفية تجميع الجزيئات. ثم أنشأ الفريق نظاماً للاستماع إلى كل هذه الأصوات المختلفة في آن واحد؛ فمن خلال مقارنة نتائج كل عملية تشغيل، استطاعوا رؤية الجزيئات التي تُجمع باستمرار معاً وتلك التي لا تُجمع. سمحت عملية دمج العديد من التخمينات الضعيفة وغير المكتملة ببناء خريطة نهائية قوية ودقيقة لم يكن بإمكان أي محاولة منفردة إنتاجها وحدها.

تم اختبار قوة هذا النهج على مجموعة ضخمة من البيانات الاصطناعية المعروفة باسم (Tomotwin-100)، والتي تحتوي على صور لمائة بنية جزيئية متميزة مختلطة معاً. في الماضي، لم تكن البرامج الحاسوبية قادرة حتى على البدء في فهم مثل هذا الخليط المعقد من الصفر. ومع ذلك، نجحت الطريقة الجديدة في فرز الجسيمات بدقة ملحوظة. ففي مجموعة فرعية مكونة من خمسة وأربعين نوعاً مختلفاً، حدد النظام المجموعة الصحيحة لكل جسيم تقريباً. أما بالنسبة للمجموعة الكاملة المكونة من مائة نوع، فقد تمكن النظام من الوصول إلى الإجابة الصحيحة في ثلاثة أرباع الحالات. ويمثل هذا قفزة نوعية كبيرة، حيث كانت الطرق السابقة تكافح للتعامل حتى مع عدد قليل من الأنواع المختلطة. كما طبق الباحثون تقنيتهم على تجربة واقعية تتعلق بالريبوسومات، وهي مصانع صنع البروتين في الخلية. فبدون تنظيف البيانات يدوياً أو إزالة الحطام غير المرغوب فيه أولاً، استطاع نظامهم فصل مراحل تجميع الريبوسوم المختلفة عن "النفايات" تلقائياً، كاشفاً عن بنى واضحة وعالية الدقة لكل مرحلة.

إن ما يجعل هذا الاكتشاف مهماً بشكل خاص هو أنه يغير كيفية تعامل العلماء مع البيانات الصعبة. في السابق، كان على الباحثين الاعتماد على التجربة والخطأ، وإجراء التجارب مراراً وتكراراً، وفحص النتائج يدوياً، والأمل في التعثر في مجموعة مفيدة. كانت هذه عملية بطيئة وتتطلب جهداً يدوياً كبيراً ولم تكن قابلة للتوسع بشكل جيد عندما تصبح المخاليط أكثر تعقيداً. تستبدل الطريقة الجديدة هذا التخمين بسير عمل منهجي يمكن أتمتته. وهي لا تتطلب أجهزة جديدة أو إعادة كتابة كاملة للبرمجيات الحالية؛ بل تعمل كـ "خوارزمية فوقية" (meta-algorithm) تدير العديد من المهام القياسية لتعمل معاً. وقد وجد الباحثون أن دقة النتائج تتحسن مع إضافة المزيد من القدرة الحاسوبية، مما يشير إلى أن هذا النهج يمكنه التعامل مع مخاليط أكثر تعقيداً في المستقبل. ومن خلال تحويل مشكلة فوضوية إلى مشكلة يمكن إدارتها عبر الحكمة الجماعية للعديد من المحاولات البسيطة، يفتح هذا العمل الباب لدراسة العينات البيولوجية تماماً كما توجد في الطبيعة، بكل تنوعها وتعقيدها، بدلاً من النسخ المنقاة والمبسطة التي كان من الممكن دراستها سابقاً.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🧬 q-bio →