High Diversity Gene Libraries Facilitate Machine Learning Guided Exploration of Fluorescent Protein Sequence Space
تُظهر هذه الدراسة أن التوسع التجريبي في تنوع بيانات التدريب من خلال تخليق الجينات واسع النطاق وخلط الحمض النووي (DNA shuffling) يُمكّن نماذج تعلم الآلة من التغلب على قيود الاستقراء، مما يوجه بنجاح نحو اكتشاف بروتينات فلورية وظيفية جديدة في مناطق غير مستكشفة سابقاً من الفضاء التسلسلي.
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
تخيل أنك تحاول تعليم روبوت طباخ كيفية صنع فطيرة التوت المثالية.
المشكلة: الروبوت لا يعرف سوى وصفة واحدة فقط
في عالم هندسة البروتينات (صنع جزيئات بيولوجية جديدة)، يستخدم العلماء الذكاء الاصطناً (AI) لتصميم بروتينات جديدة. فكر في الذكاء الاصطناعي كأنه ذلك الروبوت الطباخ. المشكلة هي أن الروبوت لم يسبق له أن رأى سوى بضع مئات من وصفات "فطيرة التوت" (البروتينات الفلورية الطبيعية).
إذا طلبت من الروبوت ابتكار فطيرة جديدة تختلف قليلاً، فسيكون جيداً في ذلك. ولكن إذا طلبت منه ابتكار فطيرة فريدة تماماً، شيء لم يره العالم من قبل، فسيصاب بالارتباك. سيحاول التخمين بناءً على الوصفات القليلة التي يعرفها، ولكن نظرًا لأن تلك الوصفات متشابهة للغاية، فإن الروبوت في الأساس يخمن في الظلام. من الناحية العلمية، يحاول الذكاء الاصطناعي القيام بعملية الاستقراء الخارجي (extrapolate) (التخمين خارج نطاق خبرته)، وهو أمر محفوف بالمخاطر وغالباً ما يفشل.
الحل: بناء مكتبة ضخمة ومتنوعة
تساءل الباحثون في هذه الورقة البحثية: "ماذا لو لم نكتفِ بإعطاء الروبوت المزيد من الوصفات؟ ماذا لو أعطيناه مكتبة تضم ملايين الاختلافات من الفطائر، بما في ذلك بعضها الذي يمزج ويطابق مكونات من أنواع مختلفة تماماً من الفطائر؟"
إليكم كيف فعلوا ذلك، خطوة بخطوة:
1. مخبز "DropSynth" (جمع المكونات)
أولاً، أخذوا 620 بروتيناً مختلفاً معروفاً من البروتينات الفلورية الزرقاء والخضراء ("وصفات الفطيرة") من قاعدة بيانات. وباستخدام طريقة متطورة تسمى DropSynth، قاموا بتخليق هذه الجينات في المختبر.
- التشبيه: تخيل أنهم لم يكتفوا بمجرد تصوير الوصفات؛ بل قاموا بطباعتها بلغتين مختلفتين (نسخ الكودونات/codon versions) لضمان إمكانية قراءتها من قبل "الخباز" (البكتيريا) دون أي أخطاء في الترجمة. لقد خلق هذا مكتبة أولية ضخمة ومتنوعة.
2. خلاط "خلط الحمض النووي" (إنشاء تركيبات جديدة)
بعد ذلك، استخدموا تقنية خلط الحمض النووي (DNA Shuffling). أخذوا كل تلك الجينات البروتينية المختلفة، وقطعوها إلى قطع صغيرة مثل قطع الأحجية، وأعادوا تجميعها عشوائياً.
- التشبيه: تخيل أخذ العجينة من فطيرة التوت، والحشوة من فطيرة الكرز، والطبقة العلوية من فطيرة الليمون، وخلطهم جميعاً معاً لترى ما سيحدث.
- النتي النتيجة: أدى هذا إلى إنشاء ملايين البروتينات "الهجينة" (chimeric) – تركيبات غريبة وجديدة لم تصنعها الطبيعة. معظم هذه الابتككات الجديدة كانت عديمة الفائدة (لم تكن تتوهج)، لكن بعضها كان وظيفياً بشكل مفاجئ. كانت هذه الخطوة حاسمة لأنها ملأت "الفجوات" بين الوصفات المعروفة، مما حول مهمة الذكاء الاصطناعي المستقبلية من "التخمين في الظلام" إلى "توصيل النقاط".
3. مرشح "الضوء الأزرق" (إيجاد الفائزين)
وضعوا ملايين من هذه الخلطات البروتينية الجديدة داخل البكتيريا وسلطوا عليها ضوءاً أزرق. واستخدموا آلة تسمى FACS sorter (فكر فيها كحارس أمن سريع عند ملهى ليلي) لاختيار البكتيريا التي تتوهج باللون الأزرق الساطع فقط.
- التشبيه: تخيل ساحة رقص ضخمة بها مليون شخص. أنت تريد فقط أولئك الذين يرتدون أحذية زرقاء. تقوم بضرب الجميع وترك من يرتدي الحذاء الأزرق فقط ليبقى.
- النتيجة: انتهى بهم الأمر بقائمة منسقة من آلاف البروتينات الزرقاء العاملة. والأهم من ذلك، لم تكن هذه مجرد اختلافات طفيفة عن البروتينات الأصلية؛ بل كانت تركيبات جامحة وجديدة لم يرها الذكاء الاصطناعي من قبل.
4. تعليم الذكاء الاصطناعي (الضبط الدقيق)
الآن، أخذوا هذه القائمة الضخمة والمتنوعة من البروتينات الزرقاء العاملة وغذوا بها نموذج الذكاء الاصطناعي (ProtGPT2).
- التحول: نظرًا لأن الذكاء الاصطناعي قد رأى الآن مجموعة واسعة ومتنوعة من البروتينات الزرقاء الناجحة، فقد توقف عن التخمين. لقد تعلم "القواعد" التي تجعل البروتين يتوهج باللون الأزرق، حتى لو بدت الوصفة غريبة جداً. لقد انتقل من الاستقراء الخارجي (extrapolation) (التخمين) إلى الاستكمال الداخلي (interpolation) (ملء الفراغات بين البيانات المعروفة).
5. روائع الذكاء الاصطنا_الجديدة
قام الذكاء الاصطناعي بعد ذلك بإنشاء 1,500 تصميم بروتيني جديد تماماً.
- المفاجأة: عندما قام العلماء ببناء هذه التصاميم في المختبر، نجحت بالفعل! لقد توهجت باللون الأزرق.
- السحر: عندما نظروا إلى بنية هذه البروتينات الجديدة، أدركوا أن الذكتا الاصطناعي قد ابتكر أشياء لا تشبه أي بروتين طبيعي. كانت مثل فطائر "فضائية" لكنها بطعم مثالي بطريقة ما. بعض هذه التصاميم كانت مختلفة جداً عن الطبيعة لدرجة أن البرامج الحاسوبية القياسية لم تستطع حتى التنبؤ بكيفية انطوائها، ومع ذلك ظلت تعمل.
الخلاصة الكبرى
تثبت هذه الورقة البحثية أنه لا يمكنك الاعتماد فقط على ذكاء الآلة؛ بل يجب أن تعطيه تعليماً أفضل.
من خلال إنشاء مكتبة تجريبية ضخمة ومتنوعة من البيانات (البروتينات "المخلوطة")، حول الباحثون مشكلة صعبة (تخمين بروتينات جديدة) إلى مشكلة سهلة (توصيل النقاط التي يعرفونها بالفعل).
باختصار:
- الطريقة القديمة: أعطِ الذكاء الاصطناعي بضع وصفات واطلب منه ابتكار وصفة جديدة. (سيفشل أو يصنع أشياء غريبة ومكسورة).
- الطريقة الجديدة: ابنِ مكتبة ضخمة من الوصفات الغريبة والناجحة أولاً. علّم الذكاء الاصطنا_كلها. ثم اطلب من الذكاء الاصطناعي ابتكار وصفة جديدة. (سينجح ويخلق أشياء لم تفكر فيها الطبيعة قط).
يفتح هذا النهج الباب لتصميم بروتينات للطب، والمستشعرات، والمواد تكون أكثر تقدماً بكثير مما يمكننا العث_ عليه في الطبيعة اليوم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.