← أحدث الأبحاث
💻 bioinformatics

Predicting single mutation effects on binding affinity at protein-protein interfaces based on MMPBSA calculations

تقدم هذه الورقة سير عمل يعتمد على الفيزياء وسهل الاستخدام باستخدام حسابات MMPBSA للتنبؤ بدقة بآثار استبدالات الأحماض الأمينية الفردية على تقارب الارتباط بين البروتين والبروتين وبين البروتين والببتيد، مما يظهر أداءً يطابق أو يتجاوز الطرق الراسخة عبر أهداف متنوعة بما في ذلك معقدات بروتين سبايك لفيروس SARS-CoV-2.

المؤلفون الأصليون: Noske, J., Janzen, M., Lepoivre, T., Höcker, B.

نُشر 2026-09-24
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Noske, J., Janzen, M., Lepoivre, T., Höcker, B.

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 البروتينات هي محركات الحياة، وهي آلات جزيئية صغيرة تنطوي لتتخذ أشكالاً محددة لأداء مهام معينة، بدءاً من نقل الأكسجين في الدم وصولاً إلى محاربة العدوى. وغالباً ما يتعين على هذه البروتينات العثور على بروتينات أخرى والارتباط بها لتؤدي وظيفتها، وهي عملية مدفوعة بالتوافق الدقيق لأسطحها. وعندما يتغير لبنة بناء واحدة، أو حمض أميني واحد في أحد هذه البروتينات، يكون الأمر أشبه باستبدال طوبة واحدة في جدار؛ فأحياناً يظل الهيكل صامداً، ولكن في أحيان أخرى تضعف هذه الوصلة بالكامل أو تفشل. إن التنبؤ بدقة بكيفية تغيير تغيير واحد لقوة هذا الرابط يمثل تحدياً كبيراً للعلماء. ولو استطاعوا فعل ذلك بشكل موثوق، لاستطاعوا تصميم أدوية أفضل، أو هندسة إنزيمات لتنظيف التلوث، أو فهم سبب تسبب بعض الطفرات الجينية في الأمراض. ولسنوات، حاول الباحثون بناء برامج حاسوبية يمكنها حساب هذه التغييرات، لكن النتائج كانت غالباً متذبذبة، حيث كانت تكافح للموازنة بين السرعة والدقة.

لقد طور فريق من الباحثين في جامعة بايرويت بألمانيا طريقة جديدة لإجراء هذه التنبؤات، مقدمين أداة تتسم بالسرعة والدقة المذهلة في آن واحد. تعتمد مقاربتهم على طريقة تسمى MMPBSA، والتي ترمز إلى "ميكانيكا الجزيئات وبواسون-بولتزمان لسطح المساحة". وبعبارة بسيطة، هذا حساب قائم على الفيزياء يقدر مقدار الطاقة المطلوبة لربط بروتينين معاً. أدرك الفريق أنه بينما تستطيع البرامج الحاسوبية الموجودة تخمين طاقة البروتين، إلا أنها غالباً ما تغفل عن التحولات الطفيفة الناتجة عن طفرة واحدة. ولإصلاح ذلك، أخذ الباحثون مجموعة ضخمة من البيانات التجريبية — أكثر من 1600 حالة مسجلة حيث قام العلماء بقياس كيفية تأثير تغيير حمض أميني واحد على ارتباط البروتين — واستخدموها لتدريب نظام التقييم الجديد الخاص بهم. لم يعتمدوا على الذكاء الاصطناعي المعقد الذي يتعلم الأنماط من البيانات وحدها؛ بل بنوا نموذجاً رياضياً مباشراً يزن القوى الفيزيائية المختلفة، مثل كيفية تجاذب الذرات أو تنافرها، وكيفية تفاعل جزيئات الماء مع سطح البروتين.

اختبر الباحثون طريقتهم الجديدة مقابل منافسين راسخين: برنامج واسع الاستخدام يسمى FoldX، والذي يعتمد على قواعد تجريبية، وأداة تعلم عميق متطورة تسمى DDMut-PPI، والتي تستخدم الذكاء الاصطنا_عي. قاموا أولاً بتشغيل حساباتهم على نفس مجموعة البيانات المستخدمة لتدريب نموذج الذكاء الاصطناعي. وهنا، قدمت أداة التعلم العميق أداءً استثنائياً، حيث تنبأت بشكل صحيح بنتيجة معظم الطفرات. ومع ذلك، كان هذا السجل المرتفع متوقعاً، لأن الذكاء الاصطناعي قد تم تدريبه خصيصاً على تلك الأرقام. وجاء الاختبار الحقيقي عندما طبق الفريق الثلاث طرق على سيناريوهات جديدة تماماً لم يرَ فيها الكمبيوتر البيانات من قبل. في أحد الاختبارات، نظروا في الطفرات في بروتين "سبايك" (البروتين الشوكي) للفيروس الذي يسبب كوفيد-19، وتحديداً كيفية ارتباطه بالخلايا البشرية. وفي اختبار آخر، فحصوا بروتينات مهندسة مصممة للإمساك بسلاسل ببتيدية محددة.

في هذه المواقف الجديدة وغير المرئية سابقاً، تغيرت النتائج بشكل دراماتيكي. فقد عانت أداة التعلم العميق، التي برعت في بيانات التدريب الخاصة بها، في ترتيب الطفرات بشكل صحيح، مما أظهر قدرة ضعيفة على التمييز بين التغييرات المفيدة والضارة. أما البرنامج التقليدي، FoldX، فقد أنتج العديد من الأخطاء الكبيرة، حيث توقع غالباً أن الطفرة سيكون لها تأثير هائل بينما ليس لها أي تأثير، أو العكس. وفي المقابل، حافظت طريقة MMPBSA الجديدة على أداء ثابت. لقد نجحت في التنبؤ بقوة الروابط في كل من بروتين "سبايك" الفيروسي والبروتينات المهندسة، محققة دقة تضاهي أو تتجاوز دقة الأدوات الأخرى. وجد الباحثون أن طريقتهم كانت جيدة بشكل خاص في التعامل مع الفيزياء المعقدة للجزيئات المشحونة وتفاعلات الماء، والتي غالباً ما تكون مصدراً للأخطاء في البرامج الأخرى. كما اكتشفوا أن تضمين حد يتعلق باستقرار قطع البروتين الفردية، وليس فقط الرابط بينهما، كان أمراً حاسماً للحصول على الإجابة الصحيحة.

تشير الدراسة إلى أنه بينما يعد الذكاء الاصطناعي قوياً، فإنه يمكنه أحياناً أن يصبح متخصصاً للغاية في البيانات التي يتعلم منها، مما يؤدي إلى فشله في التكيف عند مواجهة ألغاز بيولوجية جديدة. وقد أثبت النهج القائم على الفيزياء، من خلال اعتماده على القوانين الأساسية للطبيعة بدلاً من الأنماط المحفوظة، أنه أكثر قوة عند تطبيقه على أنواع مختلفة من البروتينات والهياكل. جعل الفريق سير عملهم متاحاً للجمهور، مما يسم يسمح للعلماء الآخرين باستخدام هذه الأداة لتحديد أولويات الطفرات التي يجب اختبارها في المختبر. ومن خلال تصفية المرشحين الأكثر واعدية قبل إجراء تجارب مكلفة، يمكن لهذه الطريقة تسريع تطوير علاجات جديدة وهندسة أدوات بيولوجية أفضل. يوضح هذا العمل أنه في بعض الأحيان، العودة إلى المبادئ الأولى والوزن الدقيق للقوى الفيزيائية المؤثرة يمكن أن يؤدي إلى نتائج أكثر موثوقية من الخوارزميات الأكثر تعقيداً، خاصة عندما يكون الهدف هو فهم كيف يمكن لتغيير ضئيل في جزيء ما أن يمتد ليغير سلوك نظام حي.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 bioinformatics →