Protein language models learn the underlying accessibility of mutations alongside protein fitness landscapes
تُظهر هذه الدراسة أن نماذج لغة البروتين تخلط بين اللياقة الهيكلية وانحيازات الإمداد الطفري، مما يكشف أن الفصل الصريح بين هذه العوامل يحسن التنبؤ بالمتغيرات الفيروسية الناشئة مع تأكيد أن الانتخاب يهيمن على تواتر المتغيرات المستقرة.
المؤلفون الأصليون:MacLean, O. A., Lamb, K., Lytras, S., Mojsiejczuk, L., Yuan, K., Hughes, J., Robertson, D. L.
تتغير الفيروسات باستمرار، حيث تستبدل اللبنات الصغيرة في شفرتها الوراثية لضمان بقائها. وقد طور العلماء مؤخرًا برامج حاسوبية قوية، تُعرف بنماذج لغة البروتين، يمكنها قراءة هذه التسلسلات الجينية والتنبؤ بالتغيرات التي من المرجح أن تحدث لاحقًا. تم تدريب هذه الأدوات على مكتبات ضخمة من تسلسلات البروتين الطبيعية، حيث تعلمت "قواعد" الحياة لتخمين الشكل الذي قد يكون عليه الفيروس في المستقبل. وكان الأمل هو أن تتمكن هذه البرامج من رسم خريطة لمشهد اللياقة الفيروسية، مما يوضح للباحثين أي الطفرات ستساعد الفيروس على الانتشار وأيها ستؤدي إلى فشله. وتعد هذه القدرة أمرًا حيويًا للصحة العامة، لا سيما بالنسبة لأمراض مثل الإنفلونزا، حيث يكون التنبؤ بالسلالة السائدة التالية قبل أشهر من ظهورها هو السبيل الوحيد لتصميم لقاحات فعالة قبل بدء الموسم.
ومع ذلك، تشير دراسة جديدة إلى أن هذه البرامج الحاسوبية لا تتعلم فقط عن احتياجات الفيروس للبقاء؛ بل تتعلم أيضًا عن الحدود الميكانيكية لكيفية حدوث الطفرات. فقد وجد الباحثون أن النماذج قد امتصت انحيازًا خفيًا: فهي تعرف أي التغييرات الجينية أسهل في التنفيذ ببساطة بسبب الطريقة التي يُبنى بها الحمض النووي (DNA). فبعض تغييرات الأحماض الأمينية تتطلب تغيير حرف واحد فقط في الشفرة الجينية، بينما يتطلب بعضها الآخر حرفين أو ثلاثة. ولأن النماذج تم تدريبها على بيانات من العالم الحقيقي، فقد تعلمت أن التغييرات السهلة تحدث بشكل أكثر تكرارًا، ليس بالضر la ضرورة لأنها أفضل للفيروس، ولكن لأنها أكثر سهولة في الوصول إليها. وهذا يخلق حالة من الارتباك حيث يكون تنبؤ النموذج بنجاح الطفرة في الواقع مزيجًا بين مدى جودة الطفرة للفيروس ومدى سهولة إنشائها.
ولفك هذا المزيج، استخدم الباحثون الظهور الأخير لسلالة جديدة من فيروس الإنفلونزا (أ) المعروفة باسم سلالة "K"، كاختبار جهد. ظهرت هذه السلالة الجديدة مع تسعة تغييرات محددة في بروتينها السطحي الرئيسي مقارنة بسلفها. ومن خلال تحليل هذه التغييرات، اكتشف الفريق أن النماذج الحاسوبية قد تعلمت بالفعل قواعد إمكانية الوصول الطفري. فقد استطاعت النماذج التنبؤ بتبديلات الأحماض الأمينية التي من المرجح أن تحدث بناءً على عدد الخطوات الجينية المطلوبة، رغم أن النماذج لم تُعرض عليها الشفرة الجينية نفسها، بل عُرضت عليها أشكال البروتين النهائية فقط. وأظهرت الدراسة أنه عندما يتم ضبط هذه النماذج بدقة باستخدام بيانات فيروسية محددة، فإنها تصبح أفضل في التعرف على هذه القيود الميكانيكية، حيث تتعلم فعليًا أي الشفرات الجينية المترادفة كانت مستخدمة ومدى احتمالية حدوث طفرة معينة في جولة واحدة من التضاعف.
ثم اختبر الباحثون ما إذا كانت هذه المعرفة الخفية تساعد أم تضر قدرتهم على التنبؤ بالمستقبل. فعندما كان الهدف هو التنبؤ بأي الطفرات الجديدة ستظهر في المجتمع على الإطلاق، أدى إضافة معلومات صريحة حول إمكانية الوصول الطفري إلى تحسين النماذج بشكل كبير؛ فقد ساعدها ذلك في تصفية التغييرات المستحيلة أو غير المحتملة للغاية، مما قلص العدد الهائل من الاحتمالات إلى تلك التي يمكن الوصول إليها فعليًا. ومع ذلك، انقلبت النتائج عندما حاول الباحثون التنبؤ بمدى نجاح طفرة ما بمجرد ظهورها بالفعل. في هذه الحالة، حققت النماسة أداءً أفضل عندما تمت إزالة تأثير إمكانية الوصول الطفري. يشير هذا إلى أنه بمجرد أن تتخطى الطفرة العقبة الأولية المتمثلة في عملية إنشائها، فإن انتشارها مدفوع بالكامل بالانتخاب الطبيعي ولياقة الفيروس، وليس بمدى سهولة إنشائها في المقام الأول.
كما بحثت الدراسة في كيفية أداء هذه النماذج في التجارب المختبرية التي تقيس اللياقة الفعلية للبروتينات الفيروسية. ووجد الباحثون أن تنبؤات النماذج كانت غالبًا منحازة بسبب نفس الانحيازات الطفرية التي تعلمتها. وعندما قام الفريق بتعديل النماذج لتقليل وزن تأثير هذه الطفرات سهلة الصنع، أصبحت تنبؤات لياقة البروتين أكثر دقة. ويشير هذا إلى أن النماذج كانت تعطي سابقًا قدرًا مبالغًا فيه من الأهمية للطفرات التي كانت شائعة لمجرد أنها سهلة التوليد، وليس لأنها كانت الأفضل للفيروس. وتوحي هذه النتائج بأنه للحصول على أدق صورة لكيفية تطور الفيروس، يحتاج العلماء إلى فصل القوتين: الاحتمالية الخام لحدوث الطفرة والقيمة البيولوجية لتلك الطفرة بمجرد وجودها.
ومن خلال الفصل الصريح بين هذين العاملين، يقترح الباحثون طريقة أوضح للتنبؤ بالتطور الفيروسي. فبدلاً من الاعتماد على درجة واحدة تدمج بين اللياقة وإمكانية الوصول، يمكن للنماذج المستقبلية حساب اللياقة الهيكلية للبروتين بشكل مستقل، ثم إضافة احتمالية حدوث الطفرة فوقها. ومن شأن هذا النهج أن يوفر خريطة أكثر واقعية للتنبؤ بالتطور، مما يساعد مسؤولي الصحة العامة على توقع السلالات الخطيرة حقًا. كما أنه يقدم أداة أكثر دقة للبيولوجيا التخليقية، حيث يصمم العلماء البروتينات من الصفر دون قيود التاريخ التطوري. وتخلص الدراسة إلى أنه بينما يعد التطور الفيروسي عملية معقدة وعشوائية، فإن فهم الأدوار المتمايزة لكل من الإمداد الطفري والانتخاب الطبيعي يسمح بتنبؤ أكثر دقة وموثوقية بالخطوة التالية لمسببات الأمراض.
ملخص تقني: نماذج لغة البروتين تتعلم سهولة الوصول الكامنة للطفرات جنباً إلى جنب مع تضاريس لياقة البروتين
بيان المشكلة تُستخدم نماذج لغة البروتين (PLMs)، مثل ESM-2 وESM-C، بشكل متزايد لرسم خرائط تضاريس لياقة البروتين عبر تسجيل استبدالات الأحماض الأمينية كاحتمالات كاذبة (pseudo-probabilities). تُفسر هذه الدرجات كبدائل للقيود الهيكلية والوظيفية التي يفرضها الانتخاب الطبيعي. ومع ذلك، يوجد عامل مربك حاسم: يتم تدريب نماذج لغة البروتين على تسلسلات أحماض أمينية طبيعية، وهي نتاج كل من لياقة البروتين والتحيزات الأساسية لعمليات الطفرات النيوكليوتيدية.
إن المسارات التطورية لا تحركها اللياقة فحسب؛ بل هي مقيدة بشدة بسهولة الوصول الطفري (mutational accessibility). فبعض استبدالات الأحماض الأمينية هي أكثر احتمالية للحدوث بأضعاف مضاعفة من غيرها بسبب:
تحيزات الطفرات الاتجاهية (مثل التحيزات الموجهة من A->G و T->C في فيروس الإنفلونزا).
بنية الكودون: الاستبدالات التي تتطلب تغيراً نيوكليوتيدياً واحداً هي أكثر سهولة بكثير من تلك التي تتطلب تغيرين أو ثلاثة.
الاستخدام المتزامن للكودونات (Synonymous codon usage): يمكن للانتخاب المباشر على مستوى النيوكليوتيدات أن يحرف استخدام الكودونات.
يفترض البحث أن نماذج لغة البروتين تتعلم ضمنياً هذه القيود الطورية، مما يؤدي إلى خلطها مع لياقة البروتين. هذا الخلط يحد من فائدة هذه النماذج لكل من التنبؤ التطوري (التنبؤ بالمتغيرات التي ستظهر) والتصميم الاصطناعي (عزل تأثيرات اللياقة النقية).
المنهجية استخدم المؤلفون الظهور السريع لسلالة H3N2 K المتباعدة من فيروس الإنفلونزا أ (H3N2 K lineage) (المعرفة بتسع طفرات HA بالنسبة لأسلاف J.2) كاختبار جهد. وقد طبقوا إطار عمل مقارن يتضمن:
النماذج: نماذج لغة البروتين الأساسية (ESM-2 650M، ESM-C 600M) والنسخ المضبوطة بدقة (HA-80 للإنفلونزا، وESM-C المضبط لـ SARS-CoV-2).
مقاييس سهولة الوصول الطورية: احتمالات طفرات النيوكليوتيدات التجريبية المستمدة من Pauly et al. (2017) لـ H3N2 وDe Maio et al. (2021) لـ SARS-CoV-2. استُخدمت هذه لتحديد حساب احتمالات الانتقالات النوعية للأحماض الأمينية بناءً على معدلات الطفرات من كودون إلى آخر.
تحليل ضغط المعلومات: تم تصميم مسار لضغط مصفوفات طفرات الكودونات التجريبية (64×64) إلى مصفوفات أحماض أمينية (20×20) لقياس مقدار معلومات الطفرات التي يمكن استردادها نظرياً من تسلسلات الأحماض الأمينية وحدها.
مسح المعامل (α): لفصل اللياقة عن سهولة الوصول، أدخل المؤلفون معامل وزن α في دالة التقييم: Score=PLMprob×Mutationprobα.
α=0: الاحتمالية الخام لنموذج لغة البروتين.
α=1: الربط الصريح بين احتمالية نموذج لغة البروتين وسهولة الوصول الطورية.
α<0: تقليل وزن الطفرات سهلة الوصول لعزل اللياقة.
مهام التقييم:
التنبؤ الثنائي: التنبؤ باستبدالات الأحماض الأمينية التي ستُلاحظ في السلالات المنتشرة.
المسح الطفري العميق (DMS): ربط درجات نماذج لغة البروتين ببيانات اللياقة التجريبية (دخول الخلايا، استقرار الأس الهيدروجيني، الهروب المصلي، نسبة التفضيل) للإنفلونزا وSARS-CoV-2.
تبديل الكودونات: اختبار ما إذا كانت نماذج لغة البروتين تميز بين التغيرات المتطابقة في الأحماض الأمينية بناءً على المسافة الطورية للبدء (starting codon).
النتائج الرئيسية
التعلم الضمني لتحيز الطفرات: تتعلم نماذج لغة البروتين الأساسية والمضبوطة بدقة سهولة الوصول الطورية ضمنياً. وبينما تُظهر الاحتمالات الخام ارتباطاً ضعيفاً مع الإمداد الطفري، فإن الارتباطات على المقياس اللوغاريتمي قوية (r≈0.63 لـ HA-80 المضبط). إن الضبط الدقيق على تسلسلات فيروسية محددة يضخم هذا التحيز بشكل كبير، مما يسمح للنماذج بتعلم أنماط استخدام الكودونات ومصفوفات طفرات النيوكليوتيدات دون مدخلات كودونات صريحة.
التأثير على التنبؤ التطوري:
التنبؤ بالظهور: يؤدي دمج سهولة الوصول الطورية صراحة (α>0) إلى تحسين كبير في التنبؤ الثنائي باستبدالات الأحماض الأمينية التي ستُلاحظ (ارتفع AUROC من 0.928 إلى 0.950 لـ HA-80). وهذا يؤكد أن الإمداد الطفري هو محرك رئيسي للمتغيرات التي تظهر.
التنبؤ بالتردد: على العكس من ذلك، عند التنبؤ بتردد المتغيرات المنتشرة بالفعل، فإن إضافة سهولة الوصول الطورية تؤدي إلى تدهور الأداء. يشير هذا إلى أنه بمجرد تجاوز المتغير للحاجز الطوري، يهيمن الانتخاب على الديناميكيات، وتصبح إشارة الطفرات متغيراً مربكاً.
التأثير على التنبؤ باللياقة (DMS):
لأجل بيانات المسح الطفري العميق، تم تحقيق أفضل ارتباط بين درجات نماذج لغة البروتين واللياقة التجريبية عندما تم تقليل وزن سهولة الوصول الطورية (α<0).
أظهرت النماذج المضبطة بدقة أكبر تحسن في الارتباط عندما تم وزن درجاتها عكسياً مع سهولة الوصول، مما يشير إلى أن التعلم الضمني لتحيز الطفرات في النماذج المضبطة يعيق فعلياً إشارة لياقة البروتين الأساسية.
الحساسية لمسافة الكودون: تميز نماذج لغة البروتين بين تغيرات الأحماض الأمينية بناءً على عدد طفرات النيوكليوتيدات المطلوبة (1nt مقابل 2nt مقابل 3nt). تُظهر النماذج المضبطة بدقة تفضيلاً كبيراً للاستبدالات الناشئة عن الكودونات "السهلة" (1nt)، حتى عندما يكون التغيير البيوكيميائي متطابقاً، مما يؤكد أنها تعلمت تضاريس فضاء الكودونات.
الأهمية والادعاءات يزعم البحث أن الاحتمالات الكاذبة الحالية لنماذج لغة البروتين هي مقاييس مركبة تخلط بين اللياقة الهيكلية للبروتين والتحيزات التاريخية في الإمداد الطفري. ويجادل المؤلفون بأن:
الضبط الدقيق يفاقم التحيز: بينما يحسن الضبط الدقيق القدرة التنبؤية العامة للمهام التطورية، فإنه يرسخ بعمق تحيزات الطفرات الخاصة بالكائن الحي في النموذج، مما قد يكون ضاراً لعزل تأثيرات اللياقة النقية.
الفصل ضروري: لتحسين دقة التنبؤ في العالم الحقيقي للأمراض وتصميم البروتينات الاصطناعية، يجب على الباحثين فصل عمليات التطور المستقلة هذه صراحة.
للتنبؤ بالظهور: يجب أن تجمع النماذج بين اللياقة المتوقعة وسهولة الوصول الطورية الصريحة.
للتصميم الاصطناعي أو رسم خرائط اللياقة: يجب تقليل وزن سهولة الوصول الطورية لعزل قيود اللياقة الهيكلية.
قصور النماذج الحالية: توضح الدراسة أن نماذج لغة البروتين المدربة على تسلسلات الأحماض الأمينية وحدها يمكنها استنتاج قيود معقدة على مستوى النيوكليوتيدات، لكن هذه القدرة تعمل كعامل مربك عندما يكون الهدف هو فهم تضاريس اللياقة بمعزل عن غيرها.
يخلص المؤلفون إلى أن فصل الإمداد الطري عن الانتخاب الهيكلي يوفر إطاراً أوضح لرسم المسارات التطورية، مع الإقرار بأن التطور الفيروسي عملية عشوائية وأن النماذج الحالية لا يمكنها التنبؤ بجميع المسارات بشكل كامل دون مراعاة هذه القوى المتميزة.