An interpretable open platform for sequence-based antibody developability prediction
تقدم الورقة البحثية منصة DELPHI، وهي منصة مفتوحة المصدر تُمكّن المختبرات من تدريب وتقييم وتفسير أدوات التنبؤ بقابلية تطوير الأجسام المضادة القائمة على التسلسل باستخدام التحقق المتقاطع الصارم، محققةً أداءً عالياً في كل من مجموعات البيانات المملوكة والبيانات العامة دون الحاجة إلى الوصول إلى بيانات التدريب المملوكة.
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
تُعد الأجسام المضادة هي الجنود المتخصصين في الجهاز المناعي، وهي بروتينات على شكل حرف Y مصممة للتعرف على الغزاة مثل الفيروسات أو البكتيريا وتحييدها. وفي الطب الحديث، يعمل العلماء على هندسة هذه الجزيئات لمحاربة أمراض تتراوح من السرطان إلى اضطرابات المناعة الذاتية. ومع ذلك، فإن إنشاء جسم مضاد علاجي هو مقامرة عالية المخاطر؛ فمجرد قدرة الجزيء على الإمساك بهدف ما لا يعني أنه سينجو في رحلته إلى المريض. تفشل العديد من المرشحات لأنها تكون "لزجة"، أي أنها تتكتل مع بعضها البعض أو ترتبط ببروتينات خاطئة في الجسم، مما قد يؤدي إلى التخلص منها بسرعة كبيرة أو إثارة ردود فعل مناعية خطيرة. هذه الإخفاقات، المعروفة باسم عيوب القابلية للتطوير، غالبًا ما تُكتشف في مرحلة متأخرة من عملية التطوير، مما يهدر سنوات من البحث وملايين الدولارات. لعقود من الزمن، كانت الطريقة الوحيدة لمعرفة ما إذا كان الجسم المضاد آمنًا ومستقرًا هي تصنيعه في المختبر وإجراء اختبارات فيزيائية، وهو ما مثل عنق زجاجة بطيئًا ومكلفًا لم يستطع مواكبة ملايين المرشحات المحتملة التي تولدها التقنيات الجينية الحديثة.
لقد بنى فريق من الباحثين في معهد ابتكار البروتين أداة جديدة تسمى "دلفي" (DELPHI) لحل عنق الزجاجة هذا. فكر فيها ككشاف رقمي مدرب تدريبًا عاليًا يمكنه النظر في المخطط الجيني للجسم المضاد والتنبؤ بما إذا كان سيكون مستقرًا وآمنًا، قبل وقت طويل من صنع جزيء واحد في المختبر. لم يكتفِ الباحثون بإنشاء نموذج تنبؤ واحد؛ بل بنوا منصة مفتوحة تسمت لأي مختبر تدريب أدوات التنبؤ الخاصة به باستخدام بياناته المحددة. ومن خلال اختبار خمسة وعشرين مزيجًا مختلفًا من تقنيات الذكاء الاصطناعي مقابل بيانات تجريبية من العالم الحقيقي، وجدوا أن مفتاح التنبؤ الدقيق لا يكمن في تعقيد الخوارزمية الحاسوبية، بل في كيفية تمثيل تسلسل الجسم المضاد أمام الآلة. لقد نجح نظامهم في تعلم رصد التوقيعات الكيميائية الدقيقة التي تؤدي إلى الفشل، مثل عدم التوازن في الشحنات الكهربائية في منطقة الارتباط بالجسم المضاد، ويمكنه الآن فحص المرشحات بمستوى من الدقة يضاهي أفضل الخبراء البشريين.
يتضمن جوهر هذا العمل تعليم الحواسيب قراءة لغة البروتينات. تتكون الأجسام المضادة من سلاسل من الأحماض الأمينية، ويحدد الترتيب المحدد لهذه اللبنات الأساسية كيفية سلوك الجزيء. جمع الباحثون مجموعة ضخمة من تسلسلات الأجسام المضاد التي تم اختبارها بالفعل في المختبر، وصنفوها إما كـ "ناجح" (مستقر وغير لزج) أو "فاشل" (عرضة للتكتل أو الالتصاق بأشياء خاطئة). قاموا بتغذية هذه البيانات في "دلفي"، الذي حاول تجربة طرق مختلفة لترجمة سلاسل الأحماض الأمينية هذه إلى تنسيق يمكن للحاسوب فهمه. تعاملت بعض الطرق مع التسلسل كقائمة بسيطة من الأجز، بينما استخدمت طرق أخرى "نماذج لغوية" متقدمة تفهم السياق والعلاقات بين الأجز المختلفة للبروتين، تمامًا كما يفهم الإنسان أن معنى الكلمة يتغير اعتمادًا على الجملة التي توجد فيها.
كانت النتائج مذهلة. تعلم النظام أن اختيار كيفية تمثيل تسلسل الجسم المضاد كان أكثر أهمًا من نوع النموذج الحاسوبي المستخدم لإجراء التنبؤ. وتحديدًا، كانت النماذج التي نظرت إلى السلاسل الثقيلة والخفيفة للجسم المضاد معًا، بدلاً من النظر إليها بشكل منعزل، أفضل بكثير في رصد الأنماط الدقيقة التي تؤدي إلى الفشل. وعند اختباره على مكتبة تضم أكثر من 246,000 جسم مضاد، حقق أفضل إصدار من "دلفي" مساحة تحت المنحنى (AUC) بلغت 0.95 في التمييز بين الأجسام المضادة المستقرة وغير المستقرة. وقد ظل هذا الأداء ثابتًا حتى عندما طُلب من النظام التنبؤ بسلوك أجسام مضادة لم يرها من قبل، بما في ذلك تلك الموجودة في التجارب السريرية التي لم تكن جزءًا من بيانات التدريب. وفي اختبار أعمى ضد مسابقة صناعية كبرى، قدمت الأداة أداءً يضاهي أفضل المشاركات البشرية، رغم عدم وصولها إلى البيانات الخاصة بتلك المسابقة.
بعيدًا عن مجرد التنبؤ بالنجاح أو الفشل، يوفر "دلفي" مستوى من التفاصيل لم يكن متاحًا لمعظم الباحثين من قبل. فهو لا يعطي مجرد درجة؛ بل يشرح لماذا أعطى تلك الدرجة من خلال الإشارة إلى الأحماض الأمينية المحددة المسؤولة عن المخاطر. كشف التحليل عن نمط ثابت: الأجسام المضادة التي فشلت تميل إلى امتلاك فائض من اللبنات ذات الشحنة الموجبة، وخاصة الأرجنين واللايسين، في حلقات الارتباط الخاصة بها، مع نقص في اللبنات سالبة الشحنة مثل الأسبارتات. هذا الخلل في التوازن الكهربائي يجعل الجسم المضاد "لزجًا"، مما يجعله يلتصق ببروتينات غير ذات صلة أو يتكتل مع بعضه البعض. حددت الأداة هذا التوقيع الخطير نفسه في نوعين مختلفين من الفشل: الأجسام المضاد التي التصقت بأشياء خاطئة وتلك التي فشلت في البقاء كوحدات منفردة ومستقرة. يشير هذا إلى أن إصلاح الشحنة الكهربائية في هذه المناطق المحددة يمكن أن يمنع أنواعًا متعددة من الفشل في آن واحد.
رسم الباحثون أيضًا خريطة توضح مقدار البيانات المطللة لجعل هذه التنبؤات موثوقة. ووجدوا أن دقة النظام تتحسن بسرعة مع إضافة المزيد من البيانات، لكنها بدأت في الاستقرار بعد حوالي 5,000 تسلسل متنوع من الأجسام المضادة. وهذا يوفر دليلًا واضحًا للمختبرات: لا يحتاجون إلى ملايين العينات لبناء متنبئ مفيد؛ إذ يكفي وجود بضعة آلاف من الأمثلة الموثقة جيدًا للوصول إلى مستوى عالٍ من الثقة. علاوة على ذلك، تم تصميم الأداة لتكون مرنة؛ نظرًا لأنها برنامج مفتوح المصدر، يمكن لأي مختبر رفع نتائجه التجريبية، وإعادة تدريب النموذج على نوعه الخاص من الأجسام المضادة، والبدء فورًا في فحص المرشحات الجديدة. وهذا يساهم في دمقرطة القدرة على التنبؤ بالقابلية للتطوير، ونقل المجال بعيدًا عن الإخفاقات المكلفة في المراحل المتأخرة نحو مستقبل يتم فيه تحديد الأجسام المضادة الأكثر واعدًا في وقت مبكر، مما يوفر الوقت والموارد للمرضى الذين يحتاجون إليها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.