← أحدث الأبحاث
📄 bioengineering

RNASeek: A Cross-Phyla Generative Foundation Model for Multipurpose RNA Modeling and Reinforcement Learning-Based Design

يُعد RNASeek نموذجاً تأسيسياً توليدياً بـ 1.6 مليار معلمة، يستفيد من التعلم المعزز لتوحيد تمثيل تسلسل الحمض النووي الريبوزي (RNA)، والتنبؤ الوظيفي، والتصميم الابتكاري، حيث نجح في توليد ريبوزيمات وأجزاء 3' UTR تم التحقق منها تجريبياً مع تعزيز الأداء.

المؤلفون الأصليون: Chen, S., Fernandes, N., Li, W. V., Wang, L., Jia, Z., Xiang, J. S.

نُشر 2026-09-28
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Chen, S., Fernandes, N., Li, W. V., Wang, L., Jia, Z., Xiang, J. S.

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

داخل كل خلية حية، تجري محادثة شاسعة ومعقدة، ليس بالكلمات، بل بالجزيئات. وفي قلب هذا الحوار يكمن الحمض النووي الريبوزي (RNA)، وهو جزيء متعدد الاستخدامات يعمل كرسول ومنظم في آن واحد، حيث يحمل التعليمات من المخطط الجيني ويقرر كيفية تنفيذ تلك التعليمات. لعقود من الزمن، أدرك العلماء أن الترتيب المحدد للحروف في شريط الـ RNA هو ما يحدد شكله ووظيفته، تماماً كما يحدد ترتيب الحروف في الجملة معناها. ومع ذلك، كان التنبؤ بكيفية سلوك تسلسل جديد من الحروف تحدياً هائلاً. فالقواعد معقدة، وتتضمن تفاعلات بعيدة المدى وفروقاً هيكلية دقيقة يصعب رسم خرائطها يدوياً. والآن، طور الباحثون أداة جديدة تتعلم هذه القواعد من خلال قراءة الأدبيات البيولوجية للحياة نفسها، مما يسمح لهم ليس فقط بالتنبؤ بكيفية سلوك الـ RNA، بل بتصميم جزيئات جديدة تماماً ذات خصائص محددة ومرغوبة.

قام الفريق وراء هذا العمل، بقيادة باحثين من جامعة كاليفورنيا، ريفرسايد وجامعة كولومبيا، بإنشاء برنامج حاسوبي ضخم أطلقوا عليه اسم RNASeek. فكر في هذا البرنامج كطالب قرأ كل كتاب في مكتبة تحتوي على التعليمات الجينية لأكثر من مئة نوع مختلف، من النباتات والحيوانات إلى الفطريات والفيروسات. وخلافاً للأدوات السابقة التي صُممت لحل لغز واحد محدد فقط، بُني RNASeek لفهم اللغة العامة للـ RNA. لقد تم تدريبه على مجموعة بيانات تضم حوالي 150 مليار قطعة من المعلومات الجينية، ليتعلم التعرف على الأنماط في كيفية بناء الكائنات الحية المختلفة للـ RNA الخاص بها. كما تعلم البرنامج قراءة تعليمات اللغة الطبيعية، مما يعني أنه يمكن للعالم ببساطة أن يخبره بما يريد، مثل "أنشئ تسلسلاً مستقراً من الـ RNA" أو "صمم جزيئاً يقطع نفسه"، وسيحاول النموذج توليد حل.

لاختبار ما إذا كان هذا الطالب الرقمي قد تعلم اللغة حقاً، طلب الباحثون منه أولاً التنبؤ بسلوك "الريبوزيمات" (ribozymes). والريبوزيمات هي جزيئات RNA تعمل كإنزيمات، قادرة على قطع نفسها أو جزيئات أخرى. زود الفريق النموذج بآلاف تسلسلات الريبوزيمات المعروفة وسرعات قطعها المقاسة. نجح RNASeek في تعلم التنبؤ بالتسلسلات التي تقطع بسرعة وتلك التي تقطع ببطء، محددًا السمات الدقيقة التي تساهم في السرعة، مثل مرونة بعض العراوي في بنية الجزيء. وقد كان أداء النموذج مساوياً، أو حتى أفضل، من العديد من الأدوات المتخصصة المصممة خصيصاً لهذه المهمة، مما أثبت أنه استوعب المبادئ الأساسية لكيفية تحديد بنية الـ RNA للوظيفة.

وبتشجيع من هذا النجاح، دفع الباحثون النموذج إلى أبعد من ذلك، بطلب تصميم تسلسلات RNA جديدة من الصفر. وقد ركزوا على نوع مختلف من الـ RNA الموجود في المنطقة 3' غير المترجمة (3' untranslated region)، وهي قسم من الجزيء يساعد في تحديد مدى بقاء الـ RNA داخل الخلية. فالعمر الأطول يعني أن الخلية تنتج المزيد من البروتين الذي يشفر له الـ RNA، وهو أمر بالغ الأهمية للعلاجات مثل لقاحات mRNA. استخدم الباحثون تقنية تسمى "التعلم المعزز" (reinforcement learning)، وهي طريقة يلعب فيها البرنامج الحاسوبي لعبة التجربة والخطأ؛ حيث قام بتوليد آلاف التسلسلات المرشحة، بينما عمل جزء منفصل من النموذج كحكم، يقوم بتقييمها بناءً على مدى استقرارها المتوقع. ثم عدل البرنامج استراتيجيته لتوليد مرشحين أفضل، ليتعلم تدريجياً إنتاج تسلسلات عالية الاستقرار.

كانت النتائج مذهلة. فالتسلسلات التي صممها RNASeek لم تكن مجرد مجموعات عشوائية من الحروف؛ بل احتوت على أنماط محددة، مثل وفرة من الأدينين واليوراسيل، وهي أنماط معروفة بقدرتها على تثبيت الـ RNA. وعندما اختبر الباحثون هذه التصميمات الناتجة عن الحاسوب في بيئة مختبرية، وجدوا أن التسلسلات الجديدة أدت أداءً استثنائياً. بل إن بعض الجزيئات المصممة كانت أكثر استقراراً من أفضل التسلسلات الموجودة في الطبيعة أو تلك التي أنشأتها أدوات الذكاء الاصطناعي الأخرى. والأهم من ذلك، عندما قام الباحثون بخلط حروف هذه التصميمات الناجحة، أي تغيير ترتيبها مع الاحتفاظ بنفس المكونات، اختفى الاستقرار. وقد أكد هذا أن النجاح جاء من الترتيب المحدد للحروف، وليس فقط من التركيب الكيميائي، مما أثبت أن النموذج قد تعلم "النحو" الحقيقي للغة.

كما أظهرت الدراسة أن النموذج يمكنه اتباع تعليمات معقدة. إذ يمكن للعلماء أن يطلبوا من البرنامج توليد تسلسل RNA مستقر يتضمن "نمطاً" (motif) معيناً للاستنساخ أو يستبعد نمطاً معيناً قد يسبب مشاكل. وقد نجح النموذج في الالتزام بهذه القيود مع الاستمرار في تحسين الاستقرار. تشير هذه القدرة على اتباع أوامر اللغة الطبيعية وإنتاج أجز تط بيولوجية وظيفية إلى طريقة جديدة لهندسة الحياة. فبدلاً من الاعتماد على دورات بطيئة ومكلفة من التجربة والخطأ في المختبر، يمكن للعلماء الآن استخدام نظام موحد للتنبؤ بكيفية سلوك الـ RNA وتصميم جزيئات جديدة لتلبية احتياجات دقيقة. يرسخ هذا العمل حقيقة أن نموذجاً واحداً واسع النطاق يمكنه سد الفجوة بين فهم البيانات البيولوجية وابتكار أدوات بيولوجية وظيفية جديدة، مما يفتح الباب أمام تصميم أكثر كفاءة للعلاجات والأدوات البحثية.

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 📄 bioengineering →