Combining amino acid frequency and 1D convolutional neural network embeddings for the identification of protein-protein interactions using a random forest classifier

تخيل أنك تحاول معرفة أي قطعتي أحجية (بازل) تتناسبان معاً. في عالم البيولوجيا، هذه "القطع" هي البروتينات، ومعرفة أي منها يتصل بالآخر تسمى تفاعلات البروتين-بروتين (protein-protein interactions).

عادةً، يحاول العلماء اكتشاف هذه الروابط من خلال إجراء تجارب في المختبر. فكر في الأمر كأنك تحاول تركيب كل قطعة من قطع الأحجية يدوياً، واحدة تلو الأخرى. إن هذا الأمر بطيء للغاية، ويتطلب جهداً كبيراً، وهو مكلف جداً. ولهذا السبب، أراد الباحثون بناء "كمبيوتر ذكي" يمكنه تخمين القطع التي تتناسب معاً بشكل أسرع بكثير.

المشكلة في الطرق القديمة

قبل هذه الدراسة، كانت الحواسيب تحاول حل هذه المعضلة عبر النظر إلى قائمة المكونات. تخيل وصف كعكة بمجرد قول: "تحتوي على 20% دقيق، 10% سكر، و5% بيض". هذا ما كانت تفعله طرق الكمبيوتر القديمة: حيث كانت تحصي عدد مرات ظهور أحماض أمينية محددة (وهي وحدات البناء للبروتينات) في التسلسل.

المشكلة هي أن هذا يشبه الحكم على الكعكة بناءً على قائمة مكوناتها فقط، مع تجاهل الوصفة، أو وقت الخبز، أو كيفية خلط المكونات. هذا يتطلب خبيراً بشرياً ليقرر يدوياً ما هي المكونات الأكثر أهمية، وهو أمر صعب وغالباً ما يغفل الصورة الأكبر.

الوصفة الجديدة المكونة من خطوتين

تقترح هذه الورقة البحثية طريقة طبخ جديدة من خطوتين لجعل الكمبيوتر أكثر ذكاءً:

الخطوة 1: "المترجم الآلي" (المشفّر التلافيفي أحادي الأبعاد - 1D CNN Autoencoder)
أولاً، بنى الباحثون نوعاً خاصاً من عقول الكمبيوتر يسمى المشفّر التلافيفي أحادي الأبعاد (1D Convolutional Neural Network autoencoder).

• التشبيه: تخيل أن لديك جملة طويلة ومعقدة مكتوبة بشفرة سرية. تقوم بتغذية هذه الجملة في آلة تحاول إعادة كتابتها بلغة مختلفة ثم ترجمتها مرة أخرى إلى اللغة الأصلية.
• الهدف: إذا استطاعت الآلة إعادة ترجمتها بشكل مثالي، فهذا يعني أنها فهمت حقاً البنية والأنماط الخفية للجملة، وليس مجرد الكلمات الفردية.
• النتيجة: تتعلم هذه الآلة تلقائياً "تمثيلاً كامناً" (latent representation)—وهو ملخص ذكي ومضغوط لشكل البروتين وبنيته، دون الحاجة إلى إنسان يملي عليها ما يجب أن تبحث عنه. إنه يشبه تعلم الكمبيوتر لـ الوصفة بدلاً من مجرد قائمة المكونات.

الخطوة 2: "الطاهي الهجين" (دمج الميزات)
بعد ذلك، أخذ الباحثون تلك الملخصات الذكية التي تعلمها الجهاز تلقائياً من الخطوة الأولى، وخلطوها مع تعداد المكونات التقليدي (تكرار الأحماض الأمينية).

• التشبيه: هذا يشبه طاهياً يعرف الوصفة الدقيقة (جزء التعلم العميق) ويعرف أيضاً المقادرات الدقيقة لكل مكون (جزء التكرار). ومن خلال الجمع بينهما، لديه فرصة أفضل بكوة للتنبؤ بما إذا كانت الكعكة ستخرج بشكل صحيح.

القاضي النهائي (الغابة العشوائية - Random Forest)**

بمجرد حصول الكمبيوتر على هذه المعلومات "الهجينة"، استخدموا مصنف "الغابة العشوائية" (Random Forest classifier) لاتخاذ القرار النهائي.

• التشبيه: فكر في هذا كأنه لجنة من 100 خبير مختلف. بدلاً من سؤال شخص واحد: "هل تتناسب هذه البروتينات؟"، يسألون 100 خبير ينظرون إلى البيانات من زوايا مختلفة قليلاً. ثم يصوتون، والأغلبية هي التي تفوز. تُعرف هذه الطريقة بأنها موثوقة جداً ويصعب خداعها.

النتائج

اختبر الباحثون هذه الطريقة الجديدة مقابل الطرق القديمة باستخدام عملية اختبار صارمة (تقسيم البيانات إلى مجموعات تدريب، ومراجعة، وامتحان نهائي).

• الفائز: الفريق الذي استخدم النهج الهجين (الملخصات الذكية + تعداد المكونات) فاز بفارق كبير.
• الدرجة: حقق قاضيهم "الغابة العشوائية" درجة 0.91 (على مقياس حيث 1.0 هو المثالي) في التمييز بين الروابط الحقيقية والروابط المزيفة. كما حقق "درجة F1" عالية بلغت 0.87، مما يعني أنه كان دقيقاً جداً في إيجاد المطابقات الصحيحة دون ارتكاب الكثير من الأخطاء.

الخلاصة

تظهر هذه الورقة البحثية أنك لست مضطراً للاعتماد كلياً على الخبراء البشر لاختيار الميزات يدوياً للحواسيب. فمن خلال ترك الكمبيوتر يتعلم الأنماط الخفية للبروتينات تلقائياً (مثل تعلم لغة سرية) ثم دمج ذلك مع تعداد المكونات الأساسية، يمكننا بناء نظام أكثر ذكاءً للتنبؤ بكيفية تفاعل البروتينات. إنها طريقة أكثر كفاءة وتلقائية لحل لغز كان يستغرق وقتاً طويلاً لحله يدوياً.