Sequence-Derived Representations versus Pfam-Domain Content for Biosynthetic Gene Cluster Retrieval

في أعماق العالم المجهري لبكتيريا التربة، تعمل الطبيعة كمصنع كيميائي ضخم وخفي. هذه الكائنات وحيدة الخلية هي كيميائيون بارعون، تقوم بتجميع جزيئات معقدة يمكنها محاربة العدوى، أو إبطاء السرطان، أو تغيير العقل. يطلق العلماء على المخططات الجينية لهذه المصانع اسم "عناقيد الجينات الاصطناعية الحيوية". فكر في هذه العناقيد ككتيبات تعليمات مكتوبة بلغة الحمض النووي (DNA)، حيث تخبر أقسام محددة الخلية كيفية بناء دواء معين. لعقود من الزمن، حاول الباحثون العثور على أدوية جديدة من خلال البحث عن هذه الكتيبات في جينومات أنواع مختلفة من البكتيريا. ويكمكم التحدي في معرفة أي كتيب ينتج أي مادة كيميائية، خاصة عندما تبدو التعليمات مختلفة قليلاً في الأنواع المختلفة. ولحل هذه المعضلة، طور العلماء طريقتين رئيسيتين لقراءة هذه النصوص الجينية: إحداهما تنظر إلى أجزاء البروتين المحددة المدرجة في التعليمات، بينما تحاول الأخرى فهم الشكل العام وتدفق الجملة الجينية بأكملها.

لقد وضعت دراسة حديثة هدفاً لاختبار أي من هاتين الطريقتين في القراءة أفضل في العثية عن مصانع كيميائية مرتبطة ببعضها. ركز الباحثون على مجموعة محددة من بكتيريا التربة المعروفة باسم Streptomyces griseus، وهي نوع مشهور بإنتاج العديد من المركبات المفيدة. قاموا بجمع مجموعة هائلة مكونة من 6,95za تعليمات جينية من 182 نسخة مختلفة من هذه البكتيريا. ولضمان أن يكون اختبارهم عادلاً وصارماً، قسموا هذه الكتيبات بعناية إلى مجموعات منفصلة للتدريب، والتحقق، والاختبار النهائي، مع التأكد من عدم ظهور أي عائلة واحدة من البكتيريا في أكثر من مجموعة واحدة. وقد منع هذا النماذج الحاسوبية من مجرد حفظ الإجابات بدلاً من تعلم التعرف على الأنماط. ثم طرح الفريق سؤالاً بسيطاً: إذا عرضت على الحاسوب مصنعاً كيميائياً معروفاً، فهل يمكنه العثة على مصانع أخرى تصنع الشيء نفسه باستخدام تعليمات جينية مختلفة؟

قارن الباحثون بين نهجين. اعتمد النهج الأول على طريقة تقليدية تعد أجزاء البروتين المحددة، أو "النطاقات"، الموجودة في التعليمات. إن الأمر يشبه التحقق من وصفة طبخ عبر سرد كل مكون على حده، مثل الدقيق والسكر والبيض، دون الاهتمام بكيفية خلطها. أما النهج الثاني، فقد استخدم نظاماً أحدث وأكثر تقدماً ينظر إلى تسلسل أحرف الحمض النووي بالكامل لفهم البنية العامة وسياق التعليمات، وهو أمر يشبه كيف يفهم القارئ البشري قصة ما من خلال تدفقها بدلاً من مجرد قائمة من الكلمات. واختبر الفريق هذه الطرق من خلال رؤية مدى قدرتها على استرجاع المصانع المرتبطة الصحيحة من قاعدة بيانات كبيرة.

كانت النتائج واضحة ومفاجئة لأولئك الذين كانوا يأملون في حدوث ثورة في كيفية قراءتنا لهذه النصوص الجينية. فالطريقة التقليدية، التي تكتفي بعدّ أجزاء البروتين، قد أدت أداءً استثنائياً. فقد نجحت في تحديد المصانع المرتبطة الصحيحة في ما يقرب من 88 بالمئة من أفضل خمسين تخميناً. أما الطريقة الأحدث، التي تحلل تسلسل الأحرف الكامل، فلم تحقق أي تحسن. وفي الواقع، عندما دمج الباحثون تحليل التسلسل الجديد مع طريقة عد البروتين القديمة، كانت النتيجة مطابقة تقريباً لاستخدام طريقة عد البروتين وحدها. حتى أن نسخة معدلة قليلاً من طريقة العد التقليدية تفوقت على النهج المعقد الجديد بهامش ضئيل لا يكاد يُذكر.

تخلص الدراسة إلى أنه بالنسبة لهذه المهمة المحددة المتمثلة في العثور على مصانع كيميائية مرتبطة، يظل السرد التفصيلي لأجزاء البروتين هو الإشارة الأكثر قوة. إن الفكرة القائلة بأن النظر في الشكل العام للتسلسل الجيني سيساعد في الكشف عن طرق بديلة تبني بها الطبيعة نفس الدواء لم تكن مدعومة بالبيانات. وجد الباحثون أن الأدوات المعقدة القائمة على التسلسل لم تستطع استعادة هذه المسارات البديلة بشكل أفضل من الطريقة المباشرة. وهذا لا يعني أن الأدوات الجديدة عديمة الفائدة، ولكنه يعني أنه بالنسبة لهذا الهدف المحدد، فإن الطريقة القديمة في عد الأجزاء لا تزال هي الدليل الأكثر موثوقية. ويسلط هذا العمل الضوء على أنه قبل أن نتمكن من الادعاء بأن هذه الأدوات المتقدمة جاهزة للعثور على أدوية جديدة، فإننا نحتاج إلى المزيد من الاختبارات الدقيقة وطرق أفضل للتحقق مما إذا كانت المصانع الكيميائية التي نجدها تصنع بالفعل ما نعتقد أنها تصنعه.