AlphaFold3 and Intrinsically Disordered Proteins: Reliable Monomer Prediction, Unpredictable Multimer Performance
تكشف هذه الدراسة أنه بينما يتنبأ AlphaFold3 بشكل موثوق بالوحدات الأحادية غير المنظمة ذاتيًا من خلال التعلم من بيانات التدريب، فإن تنبؤاته للمتعددات تظل غير قابلة للتنبؤ بسبب الأولويات الهيكلية الصلبة التي تطغى على المعلومات المدخلة، مما يسلط الضوء على الحاجة الماسة إلى مجموعات بيانات غنية بالاضطراب وأخذ عينات تجميعية بدلاً من مجرد الابتكار المعماري.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
البروتينات هي محركات الحياة، آلات صغيرة تبني الخلايا، وتكافح العدوى، وتقوم بالتفاعلات الكيميائية التي تبقينا على قيد الحياة. لعدة عقود، اعتقد العلماء أنه لكي تؤدي هذه الجزيئات وظيفتها، يجب أن تنطوي لتتخذ شكلاً ثلاثي الأبعاد واحداً وصلباً، تماماً كما يناسب المفتاح القفل. ومع ذلك، فإن الطبيعة أكثر مرونة من ذلك. فجزء كبير من البروتينات في أجسامنا، لا سيما في الكائنات المعقدة مثل البشر، هي بروتينات "غير منظمة ذاتياً" (intrinsically disordered). هذه ليست أخطاءً في الطي، بل هي مصممة لتكون كذلك وظيفياً؛ فهي تظل رخوة وبلا شكل حتى تلتقي بشريك، وعند تلك النقطة قد تتبلور في شكل محدد للقيام بمهمتها، أو قد تظل مرنة لتعمل كحبل ربط أو كإشارة. إن فهم كيفية سلوك هذه الجزيئات متغيرة الأشكال أمر بالغ الأهمية للطب، حيث يرتبط خللها بأمراض تتراوح من السرطان إلى التحلل العصبي.
لفترة طويلة، كان التنبؤ بشكل هذه البروتينات الرخوة يمثل عقبة كبيرة أمام الحواسيب. ثم جاء اختراق في الذكاء الاصطناعي يُعرف باسم "ألفافولد" (AlphaFold). النسخة الأولى، التي صدرت في عام 2021، أحدثت ثورة في هذا المجال من خلال التنبؤ بأشكال البروتينات الصلبة بدقة تقارب الكمال. وفي عام 2024، وصلت نسخة جديدة، وهي "ألفافولد 3" (AlphaFold3)، بمحرك أعيد تصميمه بالكامل، واعدةً بالتعامل مع ألغاز بيولوجية أكثر تعقيداً، بما في ذلك كيفية تفاعل البروتينات مع بعضها البعض. لكن ظل هناك سؤال حاسم دون إجابة: هل أصبح هذا الجهاز الجديد، الأكثر قوة، أفضل بالفعل في التعامل مع البروتينات الرخوة وغير المنظمة التي تشكل جزءاً كبيراً من بيولوجيتنا، أم أنه اكتفى بنقل نفس القيود التي كانت موجودة في سلفه؟
وضع فريق من الباحثين هدفاً للإجابة على ذلك من خلال إخضاع "ألفافولد 3" لاختبار صارم مصمم خصيصاً للأنظمة غير المنظمة. لم يكتفوا بالنظر في البروتينات المنفردة؛ بل فحصوا كيفية سلوك هذه الج molecules عندما تحاول الإمساك ببروتينات أخرى، وهي عملية غالباً ما تتضمن رقصة فوضوية من الطي وفك الطي. جمع الباحثون مجموعة كبيرة من المعقدات البروتينية الواقعية، والتي تم حل الكثير منها في المختبرات ولكنها لم تكن جزءاً من البيانات التي رآها الحاسوب أثناء تدريبه. ثم طلبوا من الحاسوب التنبؤ بأشكال هذه التفاعلات وقارنوا النتائج بالبنى التجريبية المعروفة.
كشفت النتائج عن قصة عالمين مختلفين. فعندما نظر الحاسوب في البروتينات المنفردة والمعزولة، كان أداؤه يتسم بالموثوقية الملحوظة. استطاع النظام الجديد تحديد أي أجزاء من البروتين كانت رخوة وأيها كانت صلبة بدقة، مما يضاهي أداء النسخة القديمة وينافس الأدوات المتخصصة المصممة لهذا الغرض تحديداً. يشير هذا إلى أن القدرة على رصد عدم الانتظام ليست مجرد خدعة ناتجة عن بنية الحاسوب، بل هي مهارة مكتسبة من المكتبة الضخمة للبيانات البيولوجية التي تدرب عليها النظام. إذا كان البروتين رخواً بطبيعته، فإن الحاسوب يعرف ذلك.
ومع ذلك، تغير المشهد تماماً عندما طلب الباحثون من الحاسوب التنبؤ بكيفية تفاعل هذه البروتينات في أزواج أو مجموعات أكبر. هنا، لم يظهر النظام الجديد تحسناً واضحاً عن النظام القديم. وبينما كانت جودة التنبؤات في المتوسط متشابهة، فإن الطريقة التي توصل بها الحاسوب إلى تلك الإجابات كانت مختلفة جوهرياً، وفي بعض الجوانب، أكثر عدم قابلية للتنبؤ. وجد الباحثون أنه بالنسبة للنظام القديم، كان بإمكانهم تفسير معظم نجاحاته وإخفاقاته من خلال النظر في السمات الفيزيائية البسيطة للتفاعل، مثل مقدار المساحة السطحية التي غطتها البروتينات أو مقدار عدم الانتظام عند نقطة التلامس. أما بالنسبة للنظام الجديد، فقد كانت هذه القرائن البسيطة تفسر جزءاً أقل بكثير من النتيجة. بدا أن أداء الحاسوب يعتمد على عوامل يصعب رؤيتها ويصعب التنبؤ بها.
كشفت الدراسة أن النظام الجديد ينجح أحياناً حيث يفشل القديم، والعكس صحيح، ولكن ليس وفق نمط ثابت يمكن للمستخدم توقعه بسهماً. في بعض الحالات، ينتج النظام الجديد تنبؤاً مثالياً، بينما في حالات أخرى، يفشل تماماً، حتى عندما تبدو الظروف الفيزيائية متطابقة. أجرى الباحثون نفس التنبؤ عدة مرات مع تغييرات طفيفة ليروا ما إذا كانت النتائج ستتغير. ووجدوا أنه في العديد من الحالات الصعبة، كان النظام دائماً ما يعطي نفس الإجابة الخاطئة، ولكنه في بعض الأحيان، وبالصدفة فقط، يتعثر في الوصول إلى الشكل الصحيح. وهذا يعني أنه بخلاف الأداة التي تستكشف الاحتمالات المختلفة باستمرار، فإن النظام الجديد غالباً ما يلتصق بنتيجة واحدة، وهذه النتيجة ليست دائماً هي الصحيحة.
رغم هذه العيوب، أظهر النظام الجديد قوة في سيناريو محدد وصعب: عندما ينطوي بروتين غير منظم ليصبح شكلاً صلباً فقط بعد ارتباطه بشريك. في هذه الحالات، أدى كل من الإصدارين القديم والجديد أداءً متساوياً، حيث نجحا في التنبؤ بالبنية النهائية المستقرة. ومن المرجح أن يكون ذلك لأن الأشكال النهائية في هذه الحالات تشبه البروتينات الصلبة التي رآها الحاسوب ملايين المرات في بيانات تدريبه. ومع ذلك، لا يزال النظام يعاني في التنبؤ بـ أي أجزاء من البروتين ستنطوي وأيها ستظل رخوة قبل حدوث الارتباط، وهي قدرة أساسية لفهم كيفية بدء هذه التفاعلات.
خلص الباحثون إلى أنه على الرغم من أن نموذج الذكاء الاصطناعي الجديد هو أداة قوية للتنبؤ بأشكال البروتينات المنفردة ومناطقها غير المنظمة، إلا أنه لم يحل بعد لغز كيفية تفاعل هذه الجزيئات في مجموعات معقدة. إن التحسينات في تصميمه لم تترجم إلى فهم أفضل لعدم الانتظام في الأنظمة متعددة البروتينات. بدلاً من ذلك، أدخل النظام الجديد طبقة من عدم اليقين تجعل من الصعب على العلماء معرفة متى يمكنهم الوثوق بمخرجاته. تشير الدراسة إلى أن مجرد بناء نموذج حاسوبي أكثر تعقيداً ليس كافياً لحل هذه المشكلة. ولإتقان سلوك هذه الجزيئات متغيرة الأشكال، يحتاج المجال إلى بيانات تدريب تتضمن المزيد من الأمثلة على البروتينات غير المنظمة وطرق يمكنها استيعاب النطاق الكامل لأشكالها الممكنة، بدلاً من مجرد الشكل الواحد الأكثر احتمالاً. وحتى ذلك الحين، يجب على العلماء استخدام هذه الأدوات القوية بحذر، مدركين أن الإجابات، بالنسبة لأكثر أجزاء البيولوجيا ديناميكية، ليست دائماً واضحة كما تبدو.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.