Benchmarking antibody-antigen co-folding on human monomeric antigens

في العالم المجهري للجهاز المناعي البشري، تعمل الأجسام المضادة كمفاتيح متخصصة للغاية، صُممت لتتلاءم تماماً مع الأقفال التي تقدمها الفيروسات الغازية أو البروتينات الضارة. لعقود من الزمن، حلم العلماء بالقدرة على التنبؤ بدقة بكيفية تلاؤم هذه المفاتيح والأقفال معاً بمجرد النظر إلى مخططاتها الكيميائية. كانت هذه القدرة ستحدث ثورة في الطب، مما يسمح للباحثين بتصميم أدوية ولقاحات جديدة دون الحاجة إلى بناء واختبار كل نسخة منها في المختبر. ومع ذلك، ظل هذا التنبؤ أحد أكثر الألغاز استعصاءً في علم الأحياء. وبينما أصبحت الحواسيب ممتازة في تخمين كيفية التصاق بروتينين ببعضهما البعض، فإن الأجسام المضادة حالة خاصة؛ فخلافاً لمعظم البروتينات التي تتطور جنباً إلى جنب مع شركائها، تتطور الأجسام المضادة بشكل مستقل، مما يعني أنها تفتقر إلى التاريخ التطوري المشترك الذي يساعد الحواسيب على تقديم تخمينات دقيقة. علاوة على ذلك، فإن الجزء من الجسم المضاد الذي يمسك بالهدف هو عبارة عن حلقة مرنة ومتعرجة يتغير شكلها باستمرار، مما يجعل نمذجتها أمراً صعباً للغاية باستخدام الأدوات القياسية.

وضع فريق من الباحثين هدفاً لقياس مدى التقدم الذي وصلت إليه أحدث أجيال البرامج الحاسوبية في حل هذا اللغز المحدد. قاموا بجمع مجموعة ضخمة مكونة من 412 مثالاً واقعياً لأجسام مضادة مرتبطة ببروتينات بشرية، مما خلق مجموعة اختبار صارمة لم ترها البرامج الحاسوبية من قبل قبل بنائها. ومن خلال تشغيل عشر طرق تنبؤ مختلفة مقابل هذه البيانات الجديدة، اكتشفوا أن أحدث البرامج قد حققت قفزة نوعية، حيث نجحت في التنبؤ بالشكل الصحيح لحوالي نصف الحالات الجديدة غير المرئية سابقاً. ومع ذلك، كشفت الدراسة أيضاً أن أفضل البرامج لا تزال تعاني مع الأجزاء الأكثر مرونة، وأن مجرد التخمين لمرات أكثر لا يؤدي دائماً إلى إجابة أفضل. وجد الباحثون أنه إذا تمكنوا من إخبار الحاسوب بالضبط أين يجب أن يلمس الجسم المضاد الهدف، فإن البرامج القديمة يمكنها اللحاق بالبرامج الجديدة، مما يشير إلى أن العقبة الرئيسية ليست مجرد ذكاء البرنامج، بل قدرته على إيجاد نقطة البداية الصحيحة في بحر شاسع من الاحتمالات.

بدأ الباحثون بتجميع معيار مرجعي يسمى "HuMonoAg-Bench"، وهو مكتبة منسقة تضم 412 معقداً من الأجسام المضادة التي تشمل بروتينات بشرية. وقاموا بتقسيم هذه المجموعة بعناية إلى مجموعتين بناءً على تاريخ اكتشاف الهياكل. تكونت إحدى المجموعتين من 278 معقداً تم إصدارها قبل سبتمبر 2021، وهو تاريخ يعمل كنقطة قطع لبيانات التدريب للعديد من أدوات التنبؤ الحديثة. واحتوت المجموعة الأخرى على 134 معقداً تم إصدارها بعد ذلك التاريخ، مما يضمن أن البرامج الحاسوبية لم ترَ هذه الأشكال المحددة من قبل. ولجعل الاختبار أكثر دقة، قسموا المجموعة الجديدة إلى تلك التي تشمل مستضدات (antigens) مشابهة جداً للمستضدات القديمة وتلك التي كانت جديدة تماماً. سمح هذا الإعداد باختبار ما إذا كانت الحواسيب تحفظ الأمثلة القديمة فحسب أم أنها تتعلم حقاً كيفية التنبؤ بالتفاعلات الجديدة. ثم قاموا بتشغيل عشرة بروتوكولات للطي المشترك (co-folding protocols) — وهي طرق تحاكي كيفية طي بروتينين معاً — مقابل مجموعة البيانات هذه، ومقارنة النتائج بالهياكل التجريبية الفعلية لمعرفة مدى قرب التنبؤات.

أظهرت النتائج تحسناً واضحاً وكبيراً في الطرق الأحدث مقارنة بالطرق الأقدم. فعند التنبؤ بهياكل المعقدات الجديدة غير المرئية، تمكنت البرمجيات القديمة من إيجاد شكل صحيح أو قريب من الصحة في حوالي 16 إلى 22 بالمائة فقط من الحالات. وفي المقابل، نجحت الطرق الأكثر تقدماً، مثل Protenix v2 وIntelliFold-2 وESMFold2، في إيجاد نموذج بجودة متوسطة أو أفضل لحوالي 33 إلى 52 بالمائة من نفس الحالات. حقق المتصدر Protenix v2 نسبة نجاح بلغت 52 بالمائة للأجسام المضادة القياسية، ونسبة أعلى بلغت 82 بالمائة لنوع محدد من الأجسام المضادة أحادية النطاق عندما كان المستضد مألوفاً. ورغم هذا التقدم، أكدت الدراسة أن ما يقرب من نصف الأهداف الجديدة لا تزال دون حل، مما يشير إلى أنه بينما تقدم المجال بسرعة، فإن جزءاً كبيًرا من تفاعلات الأجسام المضادة لا يزال خارج نطاق التكنولوجيا الحالية. وأشار الباحثون إلى أن هذا التحسن لم يكن ببساطة لأن البرامج الجديدة قد رأت المزيد من البيانات، حيث تشترك في حدود قطع تدريبية مماثلة، بل يعود إلى تحسينات جوهرية في كيفية نمذجة الأشكال المعقدة.

أدت النظرة الأعمق في سبب نجاح بعض التنبؤات وفشل البعض الآخر إلى ميزة هيكلية محددة: حلقة CDRH3. هذه الحلقة هي هيكل يشبه دبوس الشعر، وهي مرنة وتعمل كنقطة الاتصال الأساسية مع الهدف. وجدت الدراسة أن دقة هذه الحلقة الواحدة كانت أقوى مؤشر على نجاح التنبؤ. وبينما كانت الحواسيب جيدة بشكل عام في نمذجة الأجزاء الصلبة من المستضد والحلقات الأخرى الأكثر استقراراً في الجسم المضاد، ظلت حلقة CDRH3 هي المكون الأكثر صعوبة في ضبطه، خاصة عندما تكون طويلة. أظهرت الطرق الأحدث تحسناً ملحوظاً في نمذجة هذه الحلقة تحديداً، وهو ما ارتبط مباشرة بنسب النجاح الإجمالية الأعلى. ومع ذلك، حتى عندما تمت نمذجة الهيكل المحلي للحلقة بشكل جيد، لم يضمن ذلك وضع الجسم المضيدي بأكمله بشكل صحيح بالنسبة للهدف، مما يوضح أن ضبط القطع بشكل صحيح لا يعني بالضرورة تجميع اللغز بأك_مله بشكل صحيح.

اختبر الباحثون أيضاً ما سيحدث إذا أعطوا البرامج الحاسوبية تلميحاً حول مكان ارتباط الجسم المضاد. في سيناريو واقعي، قد يعرف العلماء بضع نقاط رئيسية على البروتين المستهدف حيث يتصل بها الجسم المضاد، لكنهم لا يعرفون الشكل الدقيق للجسم المضاد. ومن خلال توفير هذه المعلومات المحدودة كقيد، شهدت الطرق القديمة ارتفاعاً في معدلات نجاحها بنسبة 20 إلى 30 نقطة مئوية، مما جعلها تصل إلى مستوى الطرق القوية غير المقيدة. تشير هذه النتيجة إلى أن القصور الرئيسي للبرمجيات القديمة لم يكن نقصاً في فهم الفيزياء، بل عدم القدرة على إيجاد وضع الارتباط الصحيح من بين مليارات الاحتمالات. عندما تم تضييق مساحة البحث بواسطة تلميح، تمكنت البرامج القديمة من إيجاد الحل. ومع ذلك، اعتمدت هذه الفائدة بشدة على دقة التلميح؛ فإذا كانت المعلومات المقدمة صحيحة جزئياً فقط، فإن التحسن يتلاشى.

أخيراً، بحث الفريق فيما إذا كان تشغيل عمليات المحاكاة لمرات أكثر سيحل المشكلات المتبقية. وجدوا أنه بالنسبة للطرق غير المقيدة، كانت المشكلة الرئيسية هي فشل أخذ العينات (sampling failure): أي أن الشكل الصحيح لم يظهر ببساء في مجموعة النماذج المولدة. وعندما زادوا عدد مرات المحاكاة، وجدوا بالفعل المزيد من الأشكال الصحيحة، لكنهم وجدوا أيضاً أن نظام التصنيف لدى الحاسوب غالباً ما يفشل في اختيار الأفضل كإجابة أولى. خلق هذا عنق زجاجة جديد: حتى عندما يتم توليد الإجابة الصحيحة، لا يتعرف عليها البرنامج دائماً كأفضل خيار. وخلصت الدراسة إلى أنه بينما يساعد زيادة عدد المحاولات، فإن القدرة على تصنيف واختيار النموذج الأفضل أصبحت لا تقل أهمية عن القدرة على توليدها. كانت الحالات غير المحلولة المتبقية مزيجاً متنوعاً من الأهداف الصعبة التي لا تشترك في ميزة واحدة، مما يشير إلى أن الطريق إلى الأمام يتطلب حل أنواع مختلفة من التحديات بدلاً من إصلاح مشكلة واحدة محددة.