Targeted finetuning enables co-folding models to learn ligand-induced protein conformational states
تُثبت هذه الورقة أن الضبط الدقيق المستهدف للنماذج التأسيسية مثل Boltz-1 يمكن أن يتغلب على انحيازات بيانات التدريب للتنبؤ بدقة بحالات تشكيل البروتين الجديدة المستحثة بالليجند ومواقع الارتباط الخيفية، مما يتيح تطبيقات أكثر فعالية في اكتشاف الأدوية.
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
على مدى عقود، سعى العلماء لإيجال طريقة للتنبؤ بالشكل ثلاثي الأبعاد للبروتين بمجرد النظر إلى شفرته الجينية. وهذا ليس بالأمر الهين، فالبروتينات ليست قضبانًا صلبة بل سلاسل مرنة تلتوي وتدور لتتخذ أشكالًا معقدة لأداء وظائفها. وفي السنوات الأخيرة، ظهرت نماذج حاسوبية قوية يمكنها التنبؤ بهذه الأشكال بدقة ملحوظة، حتى عندما يكون البروتين مرتبطًا بجزيء صغير، مثل الدواء. هذه النماذج، التي تُسمى غالبًا أدوات "الطي المشترك" (co-folding)، تم تدريبها على مكتبات ضخمة من الهياكل المعروفة، حيث تعلمت القواعد العامة لكيفية تلاؤم البروتينات والجزيئات مع بعضها البعض. ومع ذلك، لا تزال هناك عقبة كبيرة: فهذه النماذج غالبًا ما تعاني عندما تواجه بروتينًا يغير شكله استجابةً لدواء جديد، أو عندما يرتبط الدواء بجزء من البروتين لم يسبق رؤيته من قبل. وإذا لم يتمكن النموذج من رؤية هذه التغييرات، فلن يتمكن من مساعدة الباحثين في تصميم أدوية تعتمد عليها، مما يترك فجوة بين ما يتنبأ به الحاسوب وما يحدث بالفعل داخل الخلية الحية.
لقد عالج فريق من الباحثين مؤخرًا هذه الفجوة من خلال إظهار أن فشل هذه النماذج ليس ناتجًا عن خلل في تصميمها، بل بسبب انحياز في البيانات التي تعلمت منها. فقد أثبتوا أنه من خلال تعليم النموذج بعناية عددًا قليلًا من الأمثلة الجديدة المحددة، يمكنه تعلم التنبؤ بسلوكيات معقدة وغير مرئية. وباستخدام عشر صور جديدة بالأشعة السينية لبروتين يُسمى "ويرنر هيليكاز" (Werner helicase)، وهو بروتين مشارك في إصلاح الحمض النووي (DNA) وتمت دراسته خلال برنامج لاكتشاف الأدوية، قام الباحثون بأخذ نموذج موجود وقوي وإعطائه درسًا مستهدفًا. لقد أظهروا له كيف يقوم هذا البروتين بقفل نفسه في حالة غير نشطة عندما يرتبط دواء معين بموقع غير معتاد، وهو تغيير لم يواجهه النموذج الأصلي من قبل. وكانت النتيجة نموذجًا لا يستطيع التنبؤ بهذا الشكل الجديد "المقفل" فحسب، بل يمكنه أيضًا تحديد موقع ارتباط الدواء بدقة، كل ذلك مع الحفاظ على قدرته الأصلية على التنبؤ بالشكل الطبيعي والنشط للبروتين.
وجد الباحثون أن هذا النموذج الجديد المدرب فعل ما هو أكثر من مجرد حفظ هذه الصور العشر المحددة؛ فقد تعلم المنطق الكامن وراء كيفية إجبار الدواء للبروتين على التغيير، مما سمح له بالتعميم على سلاسل كيميائية مختلفة من الأدوية التي لم يسبق له رؤيتها من قبل. علاوة على ذلك، انتقل هذا الفهم الجديد إلى بروتينات أخرى في نفس العائلة، المعروفة باسم "RecQ helicases"، ولكن فقط عندما يتطابق التسلسل المحدد لموقع الارتباط مع المنطق الذي تعلمه النموذج. وهذا يشير إلى أن النموذج قد استوعب حقًا آلية التغيير بدلاً من مجرد نسخ الأشكال. ويشير هذا العمل إلى أنه يمكن تكييف هذه النماذج الحاسوبية القوية مع توفر بيانات هيكلية جديدة، مما يسمح لها بالتقاط مفاتيح "التبديل" الدقيقة المستحثة بالارتباط (ligand-induced switches)، والتي تعد مركزية في كيفية تنظيم البيولوجيا وكيفية تدخل الأدوية. ومن خلال إظهار أن القصور يكمن في بيانات التدريب وليس في البنية الهيكلية، توفر الدراسة مسارًا واضحًا لتحديث هذه الأدوات للتعامل مع الطبيعة الديناميكية والمتغيرة للبروتينات في العالم الحقيقي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.