Pruning the Search, Not the Signal: Adaptive-Banding Needleman-Wunsch Sequence Alignment via Protein Language Model Confidence

في مكتبة الحياة الشاسعة، كُتبت تعليمات بناء كل كائن حي في شفرة مكونة من أربعة أحرف. هذه الأحرف، المرتبة في سلاسل طويلة، تشكل البروتينات، وهي الآلات الجزيئية التي تبني الخلايا، وتهضم الطعام، وتحارب الأمراض. لفهم كيفية عمل بروتين جديد، غالبًا ما يقارن العلماء تسلسل أحرفه بتسلسلات البروتينات المعروفة، بحثًا عن أنماط مشتركة تشير إلى أصل مشترك أو وظيفة مماثلة. هذه العملية، التي تسمى محاذاة التسلسل، تشبه محاولة رصف جملتين طويلتين ومختلفتين قليلاً لمعرفة أين تتطابق الكلمات وأين تمت إضافة أحرف أو حذفها. لعقود من الزمن، كانت الطريقة الأكثر موثوقية للقيام بذلك هي فحص كل طريقة ممكنة يمكن بها رصف الجملتين، وهي طريقة تضمن الإجابة المثالية ولكنها تصبح بطيئة بشكل مستحيل عندما تكون الجمل طويلة جدًا.

ولتسريع الأمور، استخدم الباحثون لفترة طويلة طريقًا مختصرًا: يفترضون أن التسلسلين متشابهان في الغالب ويتحققون فقط من السطور التي من المرجح أن تتطابق فيها الأحرف، متجاهلين الباقي. يعمل هذا بشكل جيد عندما تكون التسلسلات أقارب مقربين، لكنه يفشل فشلاً ذريعًا عندما تكون أقارب بعيدين أو عندما يصبح أحدهما أطول بكثير من الآخر. في هذه الحالات الصعبة، يبتعد مسار المطابقة الحقيقي بعيدًا عن المركز، ويفقد الطريق المختصر المسار تمامًا، مما يؤدي إلى استنتاجات خاطئة. وهذا يخلق معضلة محبطة للعلماء: فعليهم الاختيار بين طريقة مثالية بطيئة ثقيلة جدًا على قواعد البيانات الحديثة، أو طريقة سريعة غالبًا ما تعطي إجابة خاطئة.

ويقدم نهج جديد، طوره باحثون في جامعة الهندسة والتكنولوجيا في لاهور، مخرجًا من هذا الفخ. فبدلاً من التخمين حول مكان المطابقة، قام الفريق بتعليم الكمبيوتر "قراءة" تسلسلات البروتين أولاً، باستخدام نوع من الذكاء الاصطناعي المدرب على ملايين البروتينات المعروفة. هذا الذكاء الاصطناعي، المعروف باسم نموذج لغة البروتين، يفهم سياق كل حرف، مدركًا أن بعض الأحرف تظهر معًا لأنها تشكل شكلًا أو وظيفة معينة. وقد استخدم الباحثون هذا الفهم العميق لرسم خريطة مرنة وذكية لمكان المطابقة المحتمل، بدلاً من الاعتماد على مسار ثابت ومحدد مسبقًا.

تبدأ العملية بتغذية تسلسلي البروتين في الذكاء الاصطناعي، الذي يترجم كل حرف إلى وصف غني متعدد الأبعاد لدوره. ثم يستخدم الباحثون هذه الأوصاف لإنشاء رسم تخطيطي تقريبي منخفض الدقة لكيفية محاذاة البروتينين. يعمل هذا الرسم التخطيطي كدليل، حيث يوضح للكمبيوتر المناطق التي من المرجح جدًا أن تتطابق والمناطق غير المؤكدة. وبناءً على هذا الدليل، يرسم الكمبيوتر ممرًا — منطقة آمنة للمطابقات المحتملة — يكون ضيقًا حيث يكون الذكاء الاصطناعي واثقًا، وواسعًا حيث يكتشف الذكاء الاصطناعي عدم اليقين، مثل عمليات الإدخال أو الحذف الكبيرة. هذا الممر ليس ثابت العرض؛ فهو يتنفس ويتحرك، ويتوسع ليحتضن المسار الحقيقي حتى عندما ينحرف ذلك المسار بعيدًا عن المركز.

بمجرد رسم هذا الممر التكيفي، يقوم الكمبيوتر بإجراء المحاذاة التفصيلية والمثالية فقط داخل هذه الحدود. ولأن الممر أصغر بكثير من شبكة الاحتمالات بأكملها، يمكن للكمبيوتر إنهاء المهمة بسرعة فائقة. وفي الاختبارات التي شملت بروتينات ذات تشابه منخفض للغاية، حيث فشلت الطرق المختصرة التقليدية في العثور على المطابقة الصحيحة في أكثر من نصف الحالات، استعاد هذا الأسلوب الجديد المحاذاة المثالية في كل حالة تقريبًا. لقد ألغى ما يصل إلى اثنين وتسعين بالمائة من الحسابات غير الضرورية، مما جعل العملية أسرع بمقدار ثلاثة عشر ضعفًا تقريبًا من الطريقة المثالية البطيئة مع الحفاظ على نفس المستوى من الدقة.

اختبر الباحثون هذا النظام على مجموعة متنوعة من السيناريوهات الصعبة، بما في ذلك البروتينات ذات الاختلافات الهائلة في الطول، والتسلسلات التي تحتوي على قطع مفقودة كبيرة، وتلك التي تحتوي على أنماط متكررة تربك الأدوات الأبسط. وفي كل حالة، نجح الممر التكيفي في تتبع المسار الحقيقي، بينما قامت الطرق المختصرة الثابتة إما بقطع المسار أو أجبرت الكمبيوتر على فحص الشبكة بأكملها، مما أفقدها ميزة السرعة. وقد أثبتت الطريقة متانتها عبر أنواع مختلفة من نماذج الذكاء الاصطناعي، مما يظهر أن مبدأ استخدام الفهم العميق لتوجيه البحث هو مبدأ سليم. ومن خلال تقليص مساحة البحث بناءً على الذكاء بدلاً من قاعدة ثابتة، جعل الفريق من الممكن إجراء محاذات دقيقة وعالية الجودة على مجموعات البيانات الضخمة التي تتطلبها البيولوجيا الحديثة، دون التضحية بالدقة اللازمة لفهم آليات الحياة.