Protein solubility depends on centrifugation: Aiki-Sol, a per-regime predictor for E. coli

تخيل أنك تحاول تعليم كمبيوتر التنبؤ بما إذا كان بروتين معين (وهو لبنة بناء صغيرة من لبنات الحياة) سيذوب بسلاسة في الماء أم سيتكتل ليصبح كتلة صلبة فوضوية عند تصنيعه داخل بكتيريا تسمى "إي كولاي" (E. coli). على مدار السنوات الثماني الماضية، استخدم العلماء الذكاء الاصطناत्मक المتقدم لإجراء هذه التنبؤات، لكنهم اصطدموا بحائط مسدود؛ فالأجهزة لم تصبح أفضل حالاً، مهما بلغت درجة ذكائها.

المشكلة الخفية: ارتباك "الدوران"
تجادل الورقة البحثية بأن الحواسيب لا تفشل لأنها تفتقر إلى الذكاء الكافي، بل تفشل لأنها تتعرض للخداع بواسطة متغير خفي وهو: الطرد المركزي (centrifugation).

فكر في صنع البروتين مثل صنع عصير "سموذي" يحتوي على قطع فاكهة:

• إذا وضعت العصير في الخلاط وقم بتدويره ببطء، ستظل القطع الكبيرة في الأسفل، وسيبدو السائل في الأعلى صافياً. ستسمي هذه الحالة "ذائبة" (soluble).
• أما إذا قمت بتدويره بسرعة فائقة، فحتى القطع الصغيرة ستُجبر على النزول للأسفل، مما يترك لك كمية ضئيلة جداً من السائل. قد تسمي هذه الحالة "غير ذائبة" (insoluble).

البروتين نفسه لم يتغير. إنه نفس "السموذي". لكن الطريقة المستخدمة لفصل السائل عن المواد الصلبة (نظام الطرد المركزي) هي التي تغير النتيجة.

لسنوات، كان العلماء يغذون نماذج الذكاء الاصطناعي الخاصة بهم ببيانات كانت فيها "سرعة الدوران" مخفية. لقد قاموا فقط بتصنيف كل شيء كـ "ذائب" أو "غير ذائب". الأمر يشبه محاولة تعليم طالب التنبؤ بالطقس، لكنك تخفي عنه حقيقة أن بعض البيانات تأتي من شاطئ مشمس وبعضها الآخر من جبل ممطر. سيصاب الطالب بالارتباك لأن القواعد تبدو وكأنها تتغير بشكل عشوائي. وتسمي الورقة البحثية هذا "متغيراً مربكاً كامناً" (latent confound) – أي فخاً مخفياً في البيانات.

الحل: "آيكي-سول" (Aiki-Sol) ومجموعة البيانات الجديدة
قام الباحثون بإصلاح هذا الأمر عبر إنشاء مكتبة ضخمة من البيانات تسمى مجموعة بيانات آيكي-سول (Aiki-Sol Dataset). فبدلاً من مجرد قول "ذائب" أو "غير ذائب"، قاموا بوسم كل بروتين بدقة توضح مدى قوة الدوران المستخدم (الشدة/stringency).

وقد نظموها في ثلاث مستويات:

1. المعيار المرجعي (The Benchmark): مجموعة عالية الجودة وصارمة تضم حوالي 85,000 بروتين حيث سرعة الدوران معروفة.
2. التوسعة (The Extension): مجموعة أكبر تضم حوالي 147,000 بروتين مع التصنيفات الأساسية فقط.
3. مجمع الأبحاث (The Research Pool): مجموعة ضخمة تضم حوالي 229,000 بروتين من مصادر متنوعة.

النتائج: الأمر يتعلق بالقواعد، وليس بالدماغ
عندما اختبروا نماذج الذكاء الاصطناعي القديمة على هذه البيانات الجديدة الصادقة، كانت النتائج صادمة. ففي مجموعة "الدوران عالي السرعة"، كان أداء أفضل النماذج الموجودة في الواقع أسوأ من التخمين العشوائي (مثل رمي العملة المعدنية). لقد أصابهم الارتباك بسبب سرعات الدوران المخفية لدرجة أنهم أخطأوا أكثر مما أصابوا.

ثم قاموا ببناء نموذج جديد يسمى آيكي-سول (Aiki-Sol):

• الخدعة: بدلاً من محاولة تخمين إجابة واحدة، تم تدريب "آيكي-سول" على إعطاء خمس إجابات مختلفة اعتماداً على مدى قوة دوران البروتين، بالإضافة إلى إجابة واحدة في حال كانت سرعة الدوران غير معروفة.
• المفاجأة: وجدوا أن جعل الذكاء الاصطناعي "أكبر" (بإضافة قدرات ذهنية أكثر أو استخدام هياكل ثلاثية الأبعاد معقدة) لم يساعد. لم يكن السحر في البنية التحتية، بل كان في التنظيم والتقييم (curation). فمن خلال تعليم الذكاء الاصطناत्मक الانتباه لقواعد "سرعة الدوران"، أصبح نموذج ذو حجم قياسي أكثر ذكاءً فجأة.

النتيجة
عند اختبار النموذج على مجموعات جديدة من البروتينات التي لم يسبق للذكاء الاصطناत्मक رؤيتها، قفز "آيكي-سول" من معدل نجاح يبلغ حوالي 70% إلى أكثر من 82%. والأكثر إثارة للإعجاب هو أنه في المجموعات التي لم يكن لدى الذكاء الاصطماعي أي معرفة مسبقة بالبروتينات المحددة فيها، ظل يحقق تحسناً هائلاً.

باخت مختصراً
تزعم الورقة البحثية أن نماذج التنبؤ بذوبان البروتين كانت عالقة لسنوات لأنها تجاهلت "سرعة الدوران" المستخدمة في المختبر. ومن خلال إنشاء مجموعة بيانات جديدة تحترم ظروف المختبر المختلفة، وتعليم الذكاء الاصطناعي التكيف مع تلك التنبؤات، كسروا حاجز الأداء الثابت. لم يكن المفتاح بناء دماغ أكبر وأكثر تعقيداً، بل كان تعليم الدماغ الموجود بالفعل فهم قواعد اللعبة المحددة.