Homology-Based Variant-Effect Predictors Break Down on Cytochrome P450 Pharmacogenes
تُظهر هذه الدراسة أن أدوات التنبؤ بتأثير المتغيرات القائمة على التماثل تفشل بشكل منهجي بالنسبة لجينات السيتوكروم P450 الصيدلانية لأنها تتبع في المقام الأول وفرة البروتين بدلاً من النشاط التحفيزي، مما يستلزم نهجاً نمذجياً جديداً يدمج السياق الخاص بالركيزة للتنبؤ بدقة بالتبعات الوظيفية.
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 عالماً حيث نفس جرعة الدواء تنقذ شخصاً وتؤذي آخر. ليس هذا لغزاً من سوء الحظ، بل هو نتاج البيولوجيا. داخل أجسادنا، تعمل عائلة من الإنزيمات تسمى "سيتوكروم بي 450" (cytochrome P450) كمصنع معالجة كيميائي، حيث تفكك حوالي ثلاثة أرباع الأدوية التي نتناولها. ولأن هذه الإنزيمات تختلف من شخص لآخر، فإنها تعالج الأدوية بسرعات متفاوتة. بالنسبة للبعض، تكون الجرعة القياسية ضعيفة جداً بحيث لا تعمل؛ وبالنسبة لآخرين، تتراكم لتصل إلى مستويات خطيرة. لطالاً، أمل العلماء في التنبؤ بكيفية تغيير الشفرة الجينية الفريدة لكل شخص لهذه الإنزيمات، مما يسمح للأطباء بوصف الجرعة المثالية لكل فرد. ولتحقيق ذلك، اعتمدوا على برامج حاسوبية تخمن تأثير التغيير الجيني من خلال النظر في مدى تشابه ذلك التغيير مع الاختلافات الموجودة في أنواع أخرى من الكائنات عبر ملايين السنين. كان المنطق بسيطاً: إذا حافظت الطبيعة على جزء من الإنزيم كما هو لدهور، فإن تغييره لا بد أن يكون سيئاً.
ومع ذلك، تكشف دراسة جديدة أن هذا المنطق الذي طال أمد العمل به ينهار عند تطبيقه على هذه الإنزيمات المسؤولة عن معالجة الأدوية. فقد اختبر باحثون من جامعة ستانفورد، بقيادة هيلين شو وروس ألتمان، أكثر النماذج الحاسوبية تقدماً المتاحة مقابل بيانات واقعية من إنزيم CYP2C9. ووجدوا أن الأدوات القياسية، التي تعمل جيداً في التنبؤ بالطفرات المسببة للأمراض، تفشل في فهم كيفية عمل هذه الإنزيمات تحديداً. فالنماذج، في جوهرها، عمياء عن الجزء الأهم في القصة: وهو الدواء المحدد الذي يحاول الإنزيم تفكيكه. وتشير الدراسة إلى أنه لكي نتنبأ حقاً بكيفية تفاعل الشخص مع الدواء، لا يمكننا مجرد النظر إلى شكل الإنزيم أو تاريخه؛ بل يجب أن ننظر أيضاً إلى المادة الكيميائية المحددة التي يلتقي بها.
بدأ الباحثون باختبار أداة جديدة قوية تسمى "ألفا ميسنيس" (AlphaMissense)، والتي تستخدم الذكاء الاصطناعي للتنبؤ بما إذا كان التغيير الجيني ضاراً. وقد غدّوا الأداة ببيانات من ستة إنزيمات مهمة لتمثيل الأدوية. واجهت الأداة صعوبة كبيرة، حيث صنفت ضعف عدد التغييرات تقريباً كـ "غير مؤكدة" مقارنة بأدائها في بقية جسم الإنسان. وعندما تعمق الفريق في البيانات الخاصة بإنزيم CYP2C9، اكتشفوا السبب. لم يكن النموذج الحاسوبي يقيس في الواقع مدى كفاءة عمل الإنزيم؛ بل كان يقيس بشكل أساسي مقدار وجود الإنزيم في الخلية. فإذا جعل التغيير الجيني الإنزيم غير مستقر وتسبب في اختفائه، كان النموذج يصنف ذلك كمشكلة. ولكن إذا ظل الإنزيم مستقراً وموجوداً، كان النموذج يفترض أنه يعمل بشكل جيد، حتى لو كان عاجزاً تماماً عن معالجة الأدومة.
ولفهم هذا الفشل، نظر الفريق في البنية الفيزيائية للإنزيم وكيمياء التغييرات. وتساءلوا عما إذا كان النموذج يفتقد شيئاً واضحاً، مثل موقع التغيير أو نوع التبادل الكيميائي المعني. ووجدوا أن هذه العوامل لم تفسر شيئاً تقريباً. لم تكن أخطاء النموذج ناتجة عن نقص في البيانات الهيكلية أو سوء فهم للكيمياء الأساسية؛ بل كانت المشكلة أعمق. لقد تم تدريب النموذج على فكرة أن التطور يحافظ على الإنزيمات لأنها حيوية للبقاء. لكن إنزيمات معالجة الأدوية هذه مختلفة؛ فقد تطورت للتعامل مع مجموعة واسعة من المواد الكيميائية من طعامنا وبيئتنا، وليس لمهمة واحدة محددة فقط. ولأنها مصممة لتكون مرنة، فإن الطبيعة لا تعاقبها على التغيير. فالتنوع الجيني الذي قد يدمر قدرة الإنزيم على معالجة دواء معين، قد يترك الإنزيم مستقراً ووفيراً تماماً، مما يخدع الحاسوب ويجعله يعتقد أن كل شيء يسير على ما يرام.
بعد ذلك، حاول الباحثون بناء نموذج أفضل. فقاموا بدمج الأدوات القياسية مع نهج جديد ينظر إلى الأنماط المحددة للشفرة الجينية للإنزيم، بدلاً من مجرد النظر إلى تاريخه التطوري. وكان هذا النموذج الجديد، المصمم خصيصاً، أفضل بكثير في التنبؤ بالنشاط الكيميائي الفعلي للإنزيم. فقد استطاع التمييز بين إنزيم مستقر يعمل وإنزيم مستقر ولكنه معطل. ومع ذلك، حتى هذا النموذج المحسن اصطدم بحائط مسدود. فعندما قارن الباحثون تنبؤاتهم بالسجلات الطبية والبيانات السريرية الواقعية، كان الاتفاق ضعيفاً. استطاع النموذج التنبؤ بنشاط الإنزيم في أنبوب اختبار، لكنه لم يستطع التنبؤ بكيف كيف سينعكس هذا النشاط على مريض يتناول دواءً معيناً.
يكمن سبب هذا الانفصال في طبيعة هذه الإنزيمات نفسها. فهذه البروتينات ليست آلات أحادية الغرض، بل هي متعددة المهام تتفاعل مع العديد من الأدوية. ووجدت الدراسة أن التغيير الجيني نفسه يمكن أن يؤدي إلى تأثيرات مختلفة تماماً اعتماداً على الدواء الموجود. فقد تجعل طفرة ما الإنزيم يعمل بشكل سيء على دواء واحد، بينما لا يكون لها أي تأثير على دواء آخر. وتتعامل النماذج الحاسوبية الحالية مع الإنزيم كما لو كان له وظيفة واحدة عالمية، متجاهلة حقيقة أن وظيفته تتغير مع كل دواء يلتقي به. ووجد الباحثون في قواعد البيانات الطبية التي فحصوها أن أكثر من سبعين بالمائة من التباينات الجينية التي تم اختبارها ضد أدوية متعددة أظهرت نتائج مختلفة لكل منها.
تشير هذه النتيجة إلى أن النهج الكامل للتنبؤ بالتفاعلات الدوائية يحتاج إلى تغيير. فلعقود من الزمن، حاول العلماء تعيين درجة واحدة للمتغير الجيني، متسائلين عما إذا كان "جيداً" أم "سيئاً". وتجادل هذه الدراسة بأن هذه المسألة، بالنسبة لإنزيمات معالجة الأدوية، هي السؤال الخاطئ. فالمتغير ليس جيداً أو سيئاً بطبيعته؛ بل هو جيد أو سيئ فقط في سياق دواء معين. ويقترح الباحثون أن الأدوات المستقبلية يجب أن تُبنى لتطرح سؤالاً مختلفاً: كيف يؤثر هذا التغيير الجيني المحدد على معالجة هذا الدواء المحدد؟ وإلى أن تتمكن النماذج الحاسوبية من مراعاة الشريك الكيميائي المحدد الذي يعمل معه الإنزيم، فستظل عاجزة عن التنبؤ بالتفاعلات المعقدة التي تحدد ما إذا كان الدواء سيشفي أم سيؤذي. إن الطريق إلى الأمام لا يقتصر فقط على بيانات أفضل أو خوارزميات أذكى، بل يتطلب إعادة تعريف لما نعنيه بوظيفة هذه الآلات البيولوجية الحيوية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.