PRIZM: Combining Low-N Data and Zero-shot Models to Design Enhanced Protein Variants
يُعدُّ PRIZM سير عمل ثنائي المراحل وفعالاً من حيث كفاءة البيانات، حيث يستفيد من مجموعات البيانات التجريبية الصغيرة لاختيار النماذج التأسيسية ذات القدرة على التعلم الصفري (zero-shot) المثلى لتصنيف وترتيب متغيرات البروتين، وقد نجح في تحديد تحسن الاستقرار الحراري والنشاط في دراسات حالة لهندسة الإنزيمات.
المؤلفون الأصليون:Harding-Larsen, D., Lax, B. M., Garcia, M. E., Mendonca, C., Mejia-Otalvaro, F., Welner, D. H., Mazurenko, S.
تخيل أنك طاهٍ يحاول ابتكار حساء جديد فائق اللذة. لديك مكتبة ضخمة من الوصفات ("النماذج التأسيسية")، لكنك لا تعرف أي وصفة ستكون الأفضل لمكوناتك الخاصة. كما أن لديك مجموعة صغيرة جداً لتذوق الطعام تتكون من 20 شخصاً فقط ("بيانات منخفضة العدد - low-N data").
تقليدياً، كان أمام الطهاوة خياران سيئان:
الطريقة الصعبة (التعلم الخاضع للإشراف): توظيف فريق من علماء البيانات لبناء وصفة مخصصة من الصفر. هذا يتطلب الكثير من المال والوقت، ويتطلب منك تذوق مئات الدفعات لتدريب الفريق. إذا كان لديك 20 متذوقاً فقط، فسيصاب الفريق بالارتباك وسيقدم تخمينات سيئة.
لعبة التخمين (نمذجة الصفر - Zero-Shot Modeling): مجرد اختيار كتاب وصفات مشهور بشكل عشوائي والأمل في أن ينجح الأمر. المشكلة هي أن هناك آلاف الكتب؛ بعضها رائع للحساء، وبعضها للكعك، وبعضها الآخر سيء جداً للحساء. وبدون طريقة لاختبارها، قد تختار كتاباً مثالياً للكعك ولكنه يجعل حساءك يبدو كأنه طين.
إليك PRIZM: "المتذوق الذكي"
تقدم الورقة البحثية PRIZM (ترتيب البروتين باستخدام النمذجة المعلوماتية للصفر - Protein Ranking using Informed Zero-shot Modelling). فكر في PRIZM كأنه مساعد طاهٍ ذكي للغاية يحل كلا المشكلتين.
كيف يعمل PRIZM (مطبخ ذو مرحلتين)
المرحلة الأولى: "اختبار التذوق" (اختيار النموذج) لديك مجموعتك الصغيرة المكونة من 20 متذوقاً (بياناتك التجريبية الحالية). بدلاً من محاولة بناء ذكاء اصطناعي جديد، يأخذ PRIZM عيناتك العشرين ويمررها عبر جميع كتب الوصفات المختلفة (نماذج الذكاء الاصطناعي سابقة التدريب) في وقت واحد.
يسأل: "أي كتاب وصفات تتوافق توقعاته فعلياً مع ما أحبه المتذوقون العشرون؟"
يحدد بسرعة "الكتاب الأفضل" لحسائك الخاص. ربما يكون الكتاب (أ) رائعاً للحساء الحار، لكن الكتاب (ب) هو الفائز لحسائك الحلو.
السحر: أنت تحتاج فقط إلى حوالي 20 عينة لمعرفة ذلك. لا تحتاج إلى تدريب نموذج جديد؛ بل تجد النموذج الذي يعرف بالفعل أكثر عن مشكلتك المحددة.
المرحلة الثانية: "إنشاء القائمة" (اختيار المتغيرات) بمج once يجد PRIZM "الكتاب الأفضل"، فإنه يستخدم هذا الكتاب المحدد لمسح مكتبة تضم ملايين الوصفات المحتملة الجديدة (مكتبة رقمية من طفرات البروتين).
يقوم بترتيبها من "الأكثر احتمالاً لأن تكون لذيذة" إلى "الأكثر احتمالاً لأن تكون مقززة".
بعد ذلك، تذهب إلى المختبر وتطهو فقط أفضل 5 أو 10 وصفات.
النتيجة: لأنك اخترت "الكتاب الأفضل" في المرحلة الأولى، فإن فرصك في العثور على وصفة ناجحة ستكون عالية جداً، حتى لو اختبرت عدداً قليلاً فقط من العينات الجديدة.
أمثلة من الواقع من الورقة البحثية
اختبر المؤلفون هذا "المساعد الذكي" في مشكلتين بيولوجيتين حقيقيتين:
الإنزيم المقاوم للحرارة (Sucrose Synthase):
الهدف: صنع إنزيم لا يتحلل عندما يتعرض للحرارة (مثل حساء يبقى ساخناً دون أن يتكتل).
البيانات: كان لديهم قائمة صغيرة من 68 تجربة سابقة.
فوز PRIZM: اختار PRIZM أفضل "كتب الوصفات" واقترح طفرتين جديدتين. إحدى هاتين الطفرتين جعلت الإنزيم يتحمل حرارة أعلى بـ 3 درجات مئوية ويظل نشطاً لفترة أطول بكثير. لقد وجد فائزاً فات الخبراء البشريين ملاحظته!
إنزيم نقل السكر (Glycosyltransferase):
الهدف: جعل إنزيم يعمل بشكل أفضل في إضافة السكر إلى دواء ما (لجعله يذوب بشكل أفضل في الماء).
البيانات: كان لديهم قائمة ضئيلة جداً مكونة من 8 تجارب سابقة فقط. وهذا حجم عينة صغير للغاية!
فوز PRIZM: حتى مع 8 عينات فقط، عرف PRIZM أي نموذج ذكاء اصطناعي يمكن الوثوق به. اقترح طفرات جديدة، وكانت 60% منها تعمل بشكل أفضل من الأصل. إحدى الطفرات جعلت الإنزيم أكثر نشاطاً بنسبة 20%.
لماذا هذا الأمر مهم
لغير الخبراء: لست بحاجة لتكون عبقرياً في تعلم الآلة. لا تحتاج لبناء نماذج معقدة. كل ما تحتاجه هو كمية صغيرة من البيانات لتترك لـ PRIZM القيام بالعمل الشاق في اختيار الأداة المناسبة.
للخبراء: إنه يوفر الوقت والمال. بدلاً من إجراء تجارب مكلفة وفاشلة، تستخدم PRIZM لتصفية الأفكار السيئة قبل أن تلمس حتى أنبوب الاختبار.
الصورة الكبيرة: يجسد PRIZM الجسر الواصل بين "التخمين" (استخدام الذكاء الاصطناعي بشكل أعمى) و"الإفراط في الهندسة" (بناء ذكاء اصطناعي مخصص من الصفر). فهو يسمح لنا باستخدام المعرفة الهائلة لنماذج الذكاء الاصطناعية الضخمة باستخدام قطرة صغيرة فقط من البيانات الواقعية.
باخت-القول، PRIZM يشبه امتلاك بوصلة سحرية. تعطيه خريطة صغيرة لأماكن ذهابك (بياناتك الصغيرة)، وهو يشير لك إلى أفضل مسار للمضي قدماً عبر غابة الاحتمالات الشاسعة، مما يضمن لك العثور على الكنز (البروتين المثالي) دون أن تضيع في الطريق.
1. بيان المشكلة
تعتمد هندسة البروتين على التنقل في فضاء تسلسلي شاسع للعثور على متغيرات ذات وظائف محسنة. وبينما سرعت تعلم الآلة (ML) من هذه العملية، إلا أن هناك عائقين رئيسيين أمام غير المتخصصين وفي السيناريوهات محدودة البيانات:
قيود التعلم الخاضع للإشراف (Supervised Learning): تتطلب نهج تعلم الآلة التقليدية (مثل التطور الموجه بمساعدة تعلم الآلة) مجموعات بيانات ضخمة وعالية الجالجودة لتجنب الإفراط في التخصيص (overfitting). وفي حالات "البيانات المنخفضة" (low-N) (أقل من ~50 متغيراً)، يكون تقسيم البيانات إلى مجموعات تدريب واختبار أمراً مستحيلاً إحصائياً، كما تتطلب إعادة تدريب النماذج لأهداف جديدة خبرة كبيرة في تعلم الآلة.
قيود النمذجة صفرية المعرفة (Zero-Shot Modeling): يمكن لنماذج البروتين التأسيسية الضخمة المدربة مسبقاً التنبؤ بتأثيرات المتغيرات دون الحاجة لتدريب خاص بالمهمة (zero-shot). ومع ذلك، فإن وفرة النماذج المتاحة تجعل من الصعب اختيار النموذج الأفضل لخاصية بروتينية معينة. فالمقارنات المرجعية العالمية غالباً ما تفشل في عكس الأداء على أهداف محددة، ولا يمكن للنماذج صفرية المعرفة التكيف مع أهداف هندسية محددة دون بيانات.
الفجوة: هناك نقص في وجود سير عمل منهجي ومتاح يستفيد من المعرفة العامة للنماذج التأسيسية مع استخدام مجموعات البيانات التجريبية الصغيرة لتوجيه اختيار النماذج، دون الحاجة إلى عمليات إعادة تدريب معقدة للنماذج.
2. المنهجية: سير عمل PRIZM
قدم المؤلفون إطار عمل PRIZM (ترتيب البروتين باستخدام النمذجة المعلوماتية صفرية المعرفة)، وهو إطار مكون من مرحلتين مصمم لتحديد النموذج الأمثل صفري المعرفة المدرب مسبقاً لهدف وخاصية معينة باستخدام بيانات تجريبية ضئيلة.
المرحلة 1: اختيار النموذج (الترتيب)
المدخلات: مجموعة بيانات تجريبية صغيرة ("low-N"، عادةً 20-50 متغيراً) تحتوي على تسلسلات وخصائص مقاسة (مثل الاستقرار أو النشاط).
العملية:
يقوم سير العمل بمعالجة تسلسل النوع البري (WT)، والتركيب البنيوي (المتوقع عبر AlphaFold3 إذا لم يكن متاحاً)، ومحاذاة التسلسلات المتعددة (MSA) لتوليد مدخلات لمكتبة تضم 25 نموذجاً صفري المعرفة مدرباً مسبقاً (تغطي مدخلات التسلسل، وMSA، والبنية، والمدخلات الهجينة).
يولد كل نموذج درجات صفرية المعرفة للمتغيرات الموجودة في مجموعة البيانات (low-N).
مقياس الأداء: يحسب سير العمل ارتباط سبيرمان المطلق (القدرة على الترتيب) والدقة المتوسطة (القدرة على التصنيف فوق عتبة محددة من قبل المستخدم، مثل أداء النوع البري WT) بين درجات النماذج والقيم التجريبية.
يتم تطبيع هذه المقاييس ودمجها لترتيب النماذج. يحدد النظام أفضل وأسوأ النماذج أداءً عبر مختلف أنماط المدخلات (التسلسل، MSA، البنية).
ميزة رئيسية: لا تحدث أي عملية ضبط دقيق (fine-tuning) للنموذج؛ حيث تُستخدم البيانات التجريبية فقط لـ اختيار أفضل متنبئ مدرب مسبقاً.
المرحلة 2: اختيار المتغيرات (الترتيب)
العملية: يتم تطبيق النموذج الأفضل أداءً (أو النماذج) الذي تم تحديده في المرحلة 1 على مكتبة واسعة من المتغيرات المحاكية حاسوبياً (in silico) (على سبيل المثال، جميع الطفرات النقطية الفردية).
المخرجات: يتم ترتيب المتغيرات بناءً على درجات النموذج المختار.
الاستراتيجية: يمكن للمستخدمين اتباع استراتيجية "Top K الجشعة" (greedy Top K selection) أو دمج ترتيبات من عدة نماذج عالية الأداء (على سبيل المثال، نموذج يعتمد على التسلسل وآخر يعتمد على البنية) مع المعرفة المتخصصة في المجال لترشيح المرشحين للتحقق التجريبي.
3. المساهمات الرئيسية
إطار عمل مبتكر: يجسّر PRIZM الفجوة بين التعلم الخاضع للإشراف والتعلم صفري المعرفة من خلال استخدام مجموعات بيانات صغيرة لتوجيه اختيار النماذج التأسيسية، مما يلغي الحاجة لإعادة تدريب النماذج.
كفاءة البيانات: يثبت أن الاختيار الموثوق للنماذج ممكن باستخدام 20 متغيراً مصنفاً فقط، حيث تكون حوالي 50 متغيراً كافية عموماً للوصចំណ إلى مستويات الأداء المستقرة.
استقلالية النموذج: لا يقتقتصر سير العمل على بنية نموذج معينة؛ إذ يمكنه دمج أي نموذج جديد من نوع zero-shot، وهو يدعم حالياً 25 نموذجاً من مجموعة ProteinGym.
سهولة الوصول: صُمم ليكون متاحاً لغير الخبراء في تعلم الآلة، ويتطلب حداً أدنى من الإعداد الحسابي ولا يتطلب معرفة متخصصة في تعلم الآلة.
4. النتائج
التحقق المرجعي
مجموعة البيانات: تم التحقق من صحته عبر 10 مجموعات بيانات متنوعة من المسح الطفري العميق (DMS) تغطي خصائص مثل الاستقرار الحراري، والنشاط الإنزيمي، وارتباط المستقبلات، والفلورة.
الأداء: تمكن PRIZM باستمرار من التمييز بين النماذج عالية الأداء ومنخفضة الأداء بفارق حجم تأثير كبير (Cohen's d>0.5) باستخدام 20 متغيراً فقط.
التقارب: سمح استخدام ~50 متغيراً لـ PRIZM بتحديد النماذج التي تعمل بشكل يقارب أفضل نموذج عالمي على مجموعة البيانات الكاملة.
المقارنة: تفوق PRIZM على نهج الإجماع (consensus approach) الخاص بـ Hie et al. (الذي يتطلب اتفاق عدة نماذج) في 6 من أصل 10 اختبارات مرجعية. وعلى عكس طرق الإجماع، يوفر PRIZM دائماً مكتبة مرتبة، متجنباً وضع الفشل المتمثل في "عدم وجود مرشحين".
دراسة حالة 1: الاستقرار الحراري لإنزيم سكروز سينثيز (GmSuSy)
السياق: استُخدمت مجموعة بيانات موجودة لـ 68 متغيراً من حملة هندسة عقلانية سابقة.
النتيجة: حدد PRIZM النماذج التالية كأفضل النماذج: Tranception No Retrieval، و MIFST، و MSA Transformer.
التحقق: تم اختيار متغيرين جديدين (L731E و F468I).
أظهر F468I زيادة قدرها ~3.0 درجة مئوية في درجة حرارة الانصهار الظاهرية (Tm,app) وحافظ على أكثر من 60% من النشاط عند 60 درجة مئوية (مقابل ~23% للنوع البري WT).
حقق معدل نجاح بنسبة 60% للمتغيرات ذات الاستقرار المحسن.
دراسة حالة 2: نشاط إنزيم Glycosyltransferase (TOGT1_1)
السياق: بيئة شديدة الندرة في البيانات باستخدام 8 متغيرات فقط من حملة تصميم عقلاني سابقة.
النتيجة: تم اختيار VenusREM (الذي يدمج التسلسل، والبنية، وMSA) كأفضل نموذج.
التحقق: من خلال توجيهات المشاهد الطفرية لـ VenusREM والتنقيح الخبير، تم اختبار 7 متغيرات جديدة.
تحديد المتغيرات G401F و G401I بنشاط نسبي أعلى بـ ~20% مقارنة بالنوع البري WT.
حقق معدل نجاح بنسبة 60% للنشاط المحسن.
والجدير بالذكر أن أفضل المتغيرات كانت تقع في مناطق غنية باللفات (coil-rich regions) بعيدة عن الموقع النشط، وهو ما كان من المرجح أن يفوت التصميم العقلاني التقليدي.
5. الأهمية والآفاق المستقبلية
تحول في النموذج المعرفي: يوفر PRIZM مساراً "كفؤاً في البيانات" للاستفادة من النماذج التأسيسية، مما يسمح للباحثين بإعادة استخدام مجموعات البيانات منخفضة الإنتاجية لحلقات تصميم جديدة دون الحاجة لتوليد بيانات تدريب جديدة.
القيود والعمل المستقبلي:
الارتباط الجيني (Epistasis): ينخفض الأداء عند التنبؤ بالمتغيرات المزدوجة، حيث تواجه النماذج صفرية المعرفة صعوبة في التعامل مع التأثيرات غير التراكمية (non-additive).
الخصائص المحددة للسياق: يواجه الإطار صعوبة في التنبؤ بالخصائص غير المدرجة في التاريخ التطوري (مثل مقاومة المثبطات الاصطناعية)، حيث تعتمد النماذج صفرية المعرفة على القيود التسلسلية الطبيعية.
التكامل: يقترح المؤلفون دمج PRIZＭ في خطوط سير العمل الخاضعة للإشراف (مثل استخدام تمثيلات/embeddings النموذج المختار كميزات لـ EVOLVEpro) أو دمجه مع التحسين البايزي (Bayesian optimization) للتعامل مع عدم اليقين.
الأثر: يعمل PRIZM على جعل هندسة البروتين متاحة للجميع، مما يمكن غير الخبراء من استخدام النماذج التأسيسية المتطورة بفعالية، مع تزويد الخبراء بطريقة منهجية لاختيار النماذج.
التوفر: جميع الأكواد، ومجموعات البيانات، والوثائق متاحة علناً عبر Zenodo و GitHub (PRIZM v1.1.1).