Quantifying the Provenance-to-Function Gap in Antidiabetic Peptide Prediction: Homology-Aware Evaluation and the ADP-Hybrid Baseline

يعد مرض السكري حالة يعاني فيها الجسم من صعوبة في إدارة مستويات السكر في الدم، وهي مشكلة تؤثر على مئات الملايين من الناس حول العالم. ولعلاجه، يهتم العلماء بشكل متزايد بالببتيدات، وهي سلاسل قصيرة وصغيرة من الأحماض الأمينية التي تعمل كإشارات بيولوجية. يمكن لبعض هذه الببتيدات أن تساعد في خفض سكر الدم، ويأمل الباحثون في العثور على ببتيدات جديدة لاستخدامها كأدوية. ونظرًا لوجود مليارات التسلسلات الببتيدية المحتملة، فإن اختبارها جميعًا في المختبر أمر مستحيل؛ لذا يستخدم العلماء برامج حاسوبية للتنبؤ بالتسلسلات التي قد تكون فعالة، آملين في تصفية التسلسلات غير المجدية قبل إنفاق الوقت والمال على التجارب. تتعلم هذه البرامج من البيانات الموجودة: حيث تُعرض عليها أمثلة للببتيدات المعروفة بفعاليتها وتلك غير الفعالة، وتحاول إيجاد الأنماط التي تصنع الفارق. والهدف هو أن يتعلم الحاسوب القواعد الحقيقية للبيولوجيا حتى يتمكن من رصد ببتيد جديد واعد لم يسبق رؤيته من قبل.

ومع ذلك، تشير دراسة حديثة إلى أن البرامج الحاسوبية المستخدمة لهذه المهمة قد تكون تتعلم الدروس الخاطئة. فقد أخذ الباحثون معيارًا مرجعيًا شائعًا — وهو مجموعة بيانات قياسية تُستخدم لاختبار أدوات التنبؤ هذه — وفحصوا بدقة كيفية تنظيم البيانات. واكتشفوا أن الحاسوب لم يكن يتعلم بالضرورة ما يجعل الببتيد فعالًا ضد السكري، بل كان يتعلم التعرف على البروتين الكبير الذي اشتق منه الببتيد. وفي عالم البيولوجيا، غالبًا ما يكون الببتيد مجرد قطعة صغيرة مقتطعة من بروتين أكبر بكتم، مثل قطعة من أحجية (بازل). ووجدت الدراسة أنه في بيانات التدريب، كانت أنواع معينة من علاجات السكري مرتبطة دائمًا تقريبًا بببتيدات من بروتينات مصدرية محددة. فعلى سبيل المثال، كانت الببتيدات المرتبطة بنوع واحد من السكري تأتي حصريًا تقريبًا من بروتين الأنسولين البشري، بينما كانت تلك المرتبطة بنوع آخر تأتي من بروتينات حليب البقر. ولأن الحاسوب رأى هذه الأنمابة بشكل متكرر، فقد تعلم تخمين الإجابة ببساطة عن طريق تحديد البروتين المصدر، بدلًا من فهم الخصائص الكيميائية التي تجعل الببتيد يعمل بالفعل.

تُعرف هذه المشكلة باسم "فجوة الأصل إلى الوظيفة" (provenance-to-function gap). ويعني هذا أن المسافة بين ما يتم اختبار الحاسوب عليه والوظيفة الفعلية التي يُفترض به التنبؤ بها واسعة جدًا. وأظهر الباحثون أنه عند تقسيم البيانات عشوائيًا لأغراض الاختبار، يحصل الحاسوب على درجات عالية جدًا لأنه يستطيع بسهولة التعرف على البروتينات المصدرية التي رآها من قبل. ولكن عندما أعادوا إجراء الاختبارات بطريقة تمنع الحاسوب من رؤية ببتيدات من نفس المصدر في كل من مجموعات التدريب والاختبار، انخفضت الدرجات بشكل كبير. لم يعد الحاسوب قادرًا على الاعتماد على التعرف على المصدر، بل توجب عليه الاعتماد على الإشارات الكيميائية الفعلية. وفي هذا الاختبار الأكثر صرامة، تراجعت مستويات أداء النماذج المعقدة متعددة الطبقات التي تم الاحتفاء بها سابقًا لتكون هي الأحدث والأفضل، لتصل إلى مستوى النماذج الأكثر بساطة. وفي الواقع، أدى نموذج حاسوبي واحد ومباشر أداءً يضاهي الأنظمة المعقدة والمتعددة الأجزاء، ولكنه فعل ذلك بسرعة أكبر وبقدر أقل بكثير من القوة الحوسبية.

كما كشفت الدراسة أن طول الببتيد نفسه كان دليلًا رئيسيًا استخدمه الحاسوب. فالببتيدات التي نجحت في علاج نوع واحد من السكري كانت، في المتوسط، أقصر بكثير من تلك الخاصة بالنوع الآخر. وقد استطاع نموذج بسيط ينظر فقط إلى طول الببتيد تحديد نوع السكري بدقة تصل إلى حوالي 62 بالمائة من الحالات، وهي نتيجة مرتفعة بشكل مفاجئ لمثل هذه الميزة الأساسية. وهذا يشير إلى أن النماذج المعقدة لم تكن بالضرورة تجد أسرارًا بيولوجية عميقة وخفية، بل كانت تعتمد بدلاً من ذلك على ميزات واضحة وسهلة الرصد مثل الطول والبروتين المصدر. واختبر الباحثون ستة عشر مجموعة بيانات أخرى لأنشطة ببتيدية مختلفة، مثل محاربة البكتيريا أو الفيروسات، ووجدوا أن مشكلة انحياز البروتين المصدر هذه تظهر في معظمها. ويبدو أن هذا خلل شائع في كيفية بناء هذه المجموعات من البيانات، حيث تربط طريقة جمع البيانات الإجابة بالمنشأ عن طريق الخطأ بدلاً من ربطها بالوظيفة.

ولم يكتفِ الباحثون بالإشارة إلى المشكلة فحسب، بل قدموا حلاً أيضًا. فقد أنشأوا نموذجًا جديدًا وأبسط يسمى (ADP-Hybrid)، يستخدم شجرة قرار واحدة لكل طبقة من طبقات التنبؤ. وصل هذا النموذج إلى نفس مستوى دقة النماذج المعقدة المنشورة في طبقة الاختبار الأولى، ولكنه كان أسرع في التشغيل بمعدل عشرين إلى ثمانية وثلاثين ضعفًا. والأهم من ذلك، أن هذا النموذج الأبسط صمد بشكل أفضل عندما أزال الباحثون الاختصارات السهلة، مثل التعرف على البروتين المصدر. وتخلص الدراسة إلى أن الدرجات العالية المسجلة في السنوات السابقة كانت على الأرجح مضخمة بسبب الطريقة التي قُسمت بها البيانات، مما سمح للحواسيب بحفظ مصدر الببتيدات بدلاً من تعلم العلم الكامن وراء كيفية عملها. ويجادل المؤلفون بأن الدراسات المستقبلية يجب أن تتحقق من هذه الأنماط الخفية وتضمن أن بيانات التدريب والاختبار منفصلة حقًا من حيث أصولها البيولوجية. ومن خلال القيام بذلك، يمكن للعلماء بناء أدوات تساعد حقًا في اكتشاف أدوية جديدة، بدلاً من مجرد أدوات جيدة في تخمين المصدر الذي جاء منه الببتيد.