A novel benchmark dataset for enzyme function prediction reveals the limitations of state-of-the-art models

في مكتبة الحياة الشاسعة، يحمل كل كائن حي مجموعة من التعليمات المكتوبة بشفرة تسمى الحمض النووي (DNA). وضمن هذه التعليمات توجد مخططات لآلات بيولوجية دقيقة تُعرف باسم الإنزيمات. تعمل هذه الإنزيمات كعمال داخل الخلية، حيث تسرع التفاعلات الكيميائية التي تبقي الكائن الحي على قيد الحياة، بدءاً من هضم الطعام وصولاً إلى إصلاح الأنسجة التالفة. ولتتبع ملايين الإنزيمات المختلفة التي اكتشفها العلماء، يستخدمون نظام تسمية موحد يسمى أرقام لجنة الإنزيمات (Enzyme Commission numbers). فكر في هذه الأرقام كنظام فهرسة عالمي يخبر الباحث بدقة ما هي الوظيفة التي يؤديها إنزيم معين. ومع قيام العلماء بتسلسل الجينومات لمزيد ومزيد من الكائنات الحية، فإنهم يكتشفون إنزيمات جديدة بمعدل مذهل. ويكمن التحدي الآن في معرفة ما تفعله هذه الإنزيمات المكتشفة حديثاً دون الحاجة إلى اختبار كل منها في المختبر، وهي مهمة قد تستغرق قروناً. ولحل هذه المعضلة، لجأ الباحثون إلى أجهزة الكمبيوتر، حيث قاموا بتدريب الذكاء الاصطناعي على النظر في تسلسل الإنزيم والتنبؤ بوظيفته بناءً على الأنماط التي تعلمها من الأمثلة المعروفة.

قرر فريق من الباحثين مؤخراً اختبار ما إذا كانت نماذج الكمبيوتر هذه تفهم حقاً كيفية عمل الإنزيمات أم أنها مجرد تتخذ طرقاً مختصرة. لقد أنشأوا مجموعة جديدة من بيانات الاختبار تسمى "EnzymARC" لمعرفة ما إذا كانت أفضل البرامج الحالية قادرة على التمييز بين الإنزيم العامل والإنزيم المعطل. ولبناء هذا الاختبار، بدأوا بإنزيمات معروفة مسبقاً بأنها تعمل، ثم قاموا بإتلافها بشكل منهجي. وباستخدام نموذج كمبيوتري لشكل الإنزيم ثلاثي الأبعاد، استهدفوا البقعة المحددة التي يحدث فيها التفاعل الكيميائي، والمعروفة باسم الموقع النشط. ثم قاموا بتغيير البنية بطريقة من شأنها تدمير قدرة الإنزيم على العمل، مما أدى إلى إنشاء ما يسمونه "التسلسلات الخادعة". صُممت هذه النسخ الخادعة لتبدو تماماً مثل الإنزيمات الأصلية العاملة، باستثناء الضرر الحرج في الآلية التي تجعلها تعمل. وقد أنشأوا هذه النسخ المعطلة عن طريق تغيير البنية ضمن مسافات محددة من الموقع النشط، تتراوح من نصف قطر ضيق جداً يبلغ 5 أنجستروم وصولاً إلى نصف قطر أوسع يبلغ 15 أنجستروم، مع ضمان بقاء بقية الإنزيم دون تغيير كبير.

بعد ذلك، قام الباحثون بتغذية هذه النسخ الخادعة المكسورة في ثلاثة أنواع مختلفة من أدوات التنبؤ الحاسوبية لمعرفة ما ستقوله الآلات. اعتمدت إحدى الأدوات على البحث عن تسلسلات مماثلة في قاعدة بيانات، واستخدمت أداة أخرى طريقة تتعلم من خلال مقارنة أشكال البروتينات المختلفة، بينما كان الثالث نموذج تعلم عميق تم تدريبه خصيصاً للتعرف على الإنزيمات غير العاملة. كانت النتائج كاشفة؛ فعندما نظرت نماذج الكمبيوتر إلى الإنزيمات المتضررة قليلاً، فشلت فشلاً ذريعاً. فرغم تدمير الآلية التحفيزية، قامت النماذج بكل ثقة بتعيين وصف الوظيفة الصحيح الأصلي للإنزيمات المكسورة. وفي الواقع، بالنسبة للنسخ الخادعة الأقل ضرراً، قدمت النماذج تنبؤات خاطئة بنسبة تزيد عن 90 بالمائة. يشير هذا إلى أن النماذج لا تتعلم في الواقع القواعد الفيزيائية لكيفية عمل الإنزيم؛ بل تعتمد بدلاً من ذلك على طريق مختصر. فهي تنظر إلى التشابه العام مع الإنزيمات المعروفة وتفترض أنه إذا بدا الشيء مثل البطة، فلا بد أنه بطة، حتى لو كانت تلك البطة مكسورة.

حتى النموذج الأكثر تقدماً، والذي تم تدريبه للتعرف على الإنزيمات المكسورة، واجه صعوبة في تحديد الضرر المحدد عندما كان التركيز منصباً على الموقع النشط. ورغم أن هذا النموذج كان يعمل بشكل أفضل عندما كان الضرر شديداً، إلا أنه لا يزال يخطئ في رصد الاضطرابات المستهدفة التي جعلت الإنزيم عديم الفائدة. توضح الدراسة أن برامج الكمبيوتر الحالية معرضة بشدة لهذه "الاختصارات الفيلوجينية" (النسب العرقي)، مما يعني أنها تُخدع بسهولة بالتاريخ العائلي للبروتين بدلاً من وظيفته الفعلية. ويخلص الباحثون إلى أنه لبناء أدوات موثوقة حقاً لفهم البيولوجيا، يجب أن يتم تدريب الجيل القادم من النماذج باستخدام أمثلة تتضمن هذه النسخ المكسورة الواعية بالبنية. فمن خلال تعليم أجهزة الكمبيوتر التمييز بين الآلة الوظيفية والآلة المكسورة، بدلاً من مجرد مطابقة الأنماط، يمكننا تطوير نماذج قوية بما يكفي للتعامل مع الواقع المعقد لوظيفة الإنزيم.