Chemi-Proteome Language Attention Network Empowers Fragment-Based Ligand Interactome and Binding Sites Discovery with Evidence
تقدم الورقة البحثية C-PLANK، وهو إطار عمل للتعلم العميق تم تدريبه على بيانات الكيمياء البروتينية الخلوية، والذي يتفوق على النماذج الحالية في التنبؤ بالتفاعلات بين الشظايا والبروتينات ونجح في تحديد منشط جديد لـ SIRT3 من خلال دمج التضمينات الفيزيائية الكيميائية مع مقياس معقولية بيولوجية على مستوى الأنظمة.
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
غالباً ما يبدو العثور على دواء جديد كالبحث عن مفتاح يناسب قفلاً محدداً، لكن عملية البحث تحدث في غرفة مزدحمة بآلاف المفاتيح والأقفال الأخرى. لطالما اعتمد العلماء على برامج الكمبيوتر للتنبؤ بالمفاتيح الكيميائية التي قد تناسب أقفال البروتينات، آملين في تسريع اكتشاف علاجات للأمراض. وعادة ما يتم تدريب هذه البرامج على بيانات مستمدة من اختبارات معملية بسيطة حيث تتفاعل المواد الكيميائية مع بروتينات معزولة في أنبوب اختبار. ورغم أن هذه البيانات مفيدة، إلا أنها تغفل تفصيلاً حاسماً: ففي جسم الإنسان، لا توجد البروتينات في حالة عزلة، بل هي جزء من شبكة حية معقدة تتفاعل فيها مع جزيئات أخرى عديدة، ويتغير سلوكها اعتماداً على البيئة الخلوية. ولأن النماذج الحاسوبية الحالية منفصلة عن هذا السياق الحي، فإنها غالباً ما تجد صعوبة في التنبؤ بكيفية تصرف الدواء فعلياً داخل الخلية، مما يؤدي إلى الإخفاق في مراحل لاحقة من عملية التطوير.
ولسد هذه الفجوة، طور فريق من الباحثين إطار عمل جديد للذكاء الاصطناعي يسمى C-PLANK. وخلافاً للنماذج السابقة التي تتعلم من تجارب ثابتة ومعزولة، يتم تدريب هذا النظام مباشرة على بيانات ناتجة من خلايا حية. استخدم الباحثون تقنية تسمى "الكيمياء البروتومية" (chemoproteomics)، والتي تتضمن إدخال شظايا كيميائية صغيرة إلى الخلايا لمعرفة البروتينات التي تلتصق بها. هذه الشظايا هي قطع صغيرة وبسيطة من الجزيئات يمكنها الارتباط بالبروتينات، ولكن نظرًا لأن هذا الارتباط غالسباً ما يكون ضعيفاً وعابراً، فإن التقاط هذه التفاعلات يتطلب نهجاً خاصاً. وقد استخدم الفريق مجسات يمكنها وسم البروتينات التي تلامسها بشكل دائم، مما سمح للعلماء برسم خريطة دقيقة لكيفية ومكان تفاعل هذه الجزيئات الصغيرة مع الشبكة الواسعة من البروتينات داخل الخلية. ومن خلال تغذية هذا الذكاء الاصطناعي بهذه البيانات الغنية على المستوى الخلوي، نجح الباحثون في إنشاء نموذج لا يفهم فقط ما إذا كان هناك تفاعل محتمل بين مادة كيميائية وبروتين، بل يفهم أيضاً كيف يتناسب هذا التفاعل مع المشهد الأوسع للخلية.
يكمن جوهر هذا النظام الجديد في قدرته على النظر إلى الصورة الكبيرة والتفاصيل الدقيقة في آن واحد؛ فهو يحلل البيئة العامة للخلية بينما يغوص في التفاصيل ليرى بالضبط أي أجزاء من البروتين وأي ذرات من المادة الكيميائية تتلامس. وتسمح هذه الرؤية المزدوجة للنموذج بإنشاء نوع من "بصمة" لكل تفاعل، توضح ليس فقط ما إذا كان الاتصال محتملاً، بل وأيضاً مدى ثقة النظام في ذلك التنبؤ. اختبر الباحثون هذا الإطار مقابل مجموعة كبيرة من البيانات من ثماني دراسات مختلفة، شملت مئات المواد الكيميائية وآلاف البروتينات، ووجدوا أن C-PLANK تفوق باستمرار على النماذج الحالية المتطورة، خاصة عندما طُلب منه التنبؤ بالتفاعلات لبروتينات لم يسبق له رؤيتها من قبل. وهذه القدرة على التعميم لتشمل أهدافاً جديدة تعد أمراً بالغ الأهمية في اكتشاف الأدوية، حيث يكون الهدف غالباً هو إيجاد علاجات لبروتينات لم تُفهم جيداً بعد.
وبعيداً عن مجرد التنبؤ بالتفاعلات، يوفر النظام مستوى من الشفافية نادراً ما يوجد في الذكاء الاصطناعي؛ إذ يمكنه الإشارة بدقة إلى الأجزاء المسؤولة من التركيب الكيميائي والأحماض الأمينية المحددة في البروتين التي تسبب الارتباط. وقد تحقق الباحثون من ذلك بمقارنة تنبؤات النموذج مع الهياكل الفيزيائية للبروتينات ومواقع الارتباط المعروفة، ووجدوا تطابقاً قوياً بين "بصمة" الذكاء الاصطناعي والواقع البيولوجي الفعلي. ويشير هذا إلى أن النموذج يتعلم قواعد بيولوجية حقيقية بدلاً من مجرد حفظ الأنماط في البيانات. ولإثبات قيمته العملية، استخدم الفريق C-PLANK لفحص مكتبة كبيرة من الشظايا الكيميائية للعثور على طريقة جديدة لتنشيط بروتين معين يسمى SIRT3، والذي يلعب دوراً في التمثيل الغذائي والشيخوخة. وقد حدد النموذج مرشداً واعداً كان قد تم التغاضي عنه بواسطة طرق أخرى.
وعقب هذا التنبؤ، قام الباحثون بتخليق المادة الكيميائية واختبارها في المختبر، حيث نجح المركب في الارتباط بالبروتين المستهدف داخل الخلايا الحية، والأهم من ذلك، أنه زاد من نشاط البروتين، حيث عمل كمحفز (agonist). ثم تم تحسين هذا "المرشح الأولي" من خلال عملية تطوير كيميائي، مما أدى إلى إنتاج نسخة أكثر فاعلية من العقار المرشح. وأظهر الجزيء النهائي نشاطاً قوياً عند تركيزات منخفضة، وتم التأكد من ارتباطه المباشر بالبروتين المستهدف باستخدام الطرق الفيزيائية الحيوية. وتوضح قصة النجاح هذه أنه من خلال تدريب الذكاء الاصطناعي على بيانات تعكس التعقيد الحقيقي للخلايا الحية، يمكن للعلماء تجاوز مجرد التنبؤات البسيطة والبدء في نمذجة الحالات الديناميكية للأنظمة البيولوجية. ويؤسس هذا العمل لقاعدة لأدوات مستقبلية يمكن أن تعمل كـ "توائم رقمية" للبيولوجيا البشرية، مما يساعد الباحثين على خوض الرحلة المعقدة من الفكرة الكيميائية إلى الدواء الفعال بثقة ودقة أكبر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.