cryoWEight: Conformational ensembles from cryo-EM particle images with weighted ensemble simulations

إن علم الأحياء ليس مجرد مجموعة من التماثيل الساكنة، بل هو عالم من الحركة المستمرة والمتدفقة. فالبروتينات، وهي الآلات الجزيئية التي تدفع عجلة الحياة، لا تسكن أبدًا؛ فهي تلتوي، وتنحني، وتتحول بين أشكال مختلفة لأداء مهامها. إن فهم كيفية حركتها لا يقل أهمية عن معرفة شكلها، لأن وظيفتها تعتمد كليًا على هذه التغيرات. لعقود من الزمن، استخدم العلماء مجاهر قوية لالتقاط لقطات عالية الدقة لهذه الجزيئات، حيث جمدوها في الزمن لرؤية هياكلها. ومع ذلك، فإن صورة فوتوغرافية واحدة لا يمكنها سرد القصة كاملة؛ فهي توضح أين يوجد البروتين، لكنها لا توضح كيف وصل إلى هناك، أو كم مرة يزور أماكن مختلفة. ولملء الفجوات بين هذه اللحظات المجمدة، يستخدم الباحثون محاكاة حاسوبية لمراقبة حركة البروتينات. ومع ذلك، غالبًا ما تواجه هذه المحاكاة صعوبة في التقاط الحركات النادرة واسعة النطاق التي تحدث على فترات طويلة، مما يترك العلماء بصور غير مكتملة لكيفية عمل هذه الجزيئات بالفعل.

يقدم نهج جديد يسمى "cryoWEight" طريقة لسد هذه الفجوة عبر الجمع بين أفضل ما في العالمين: اللقطات التفصيلية من المجهر الإلكتروني والحركة الديناميكية للمحاكاة الحاسوبية. وقد طور الباحثون في معهد "فلاتيرون" وجامعة كاليفورنيا، إيرفين، هذه الطريقة لحل مشكلة محددة. فالمحاكاة التقليدية قد تظل عالقة في شكل واحد لفترة طويلة جدًا، مما يؤدي إلى تفويت التحولات النادرة التي تعد ضرورية للوظيفة. وعلى العكس من ذلك، فإن مجرد محاولة إجبار المحاكاة على مطابقة الصور التجريبية غالبًا ما يؤدي إلى تشويه الفيزياء الطبيعية للجزيء. لقد ابتكر الفريق نظامًا يسم ي للبيانات التجريبية توجيه المحاكاة بلطف دون كسر قواعد الفيزياء. وقد اختبروا هذا النظام على ثلاثة بروتينات مختلفة، تتراوح من سلسلة صغيرة مكونة من عشر بقايا إلى إنزيم أكبر، ووجدوا أنه يمكنه بنجاح توجيه النماذج الحاسوبية نحو الأشكال الملحوظة في المجهر، حتى عندما بدأت المحاكاة من مكان مختلف تمامًا.

يعتمد جوهر هذه الطريقة على حلقة تغذية راجعة ذكية. تخيل محاكاة تعمل عبر آلاف المسارات المتوازية، مثل سرب من المستكشفين الذين ينتشرون عبر مشهد طبيعي. بعض المسارات قد تهيم في مناطق نادرة الزيارة، بينما تزدحم مسارات أخرى في أماكن شائعة. يقوم نظام "cryoWEight" بفحص هؤلاء المستكشفين دوريًا مقابل الصور التجريبية الحقيقية. فإذا أدى مسار ما إلى شكل يشبه كثيرًا ما يراه المجهر، يتم إعطاء هذا المسار أهمية أكبر. وإذا أدى مسار ما إلى شكل لا يتطابق، يتم إعطاؤه أهمية أقل. هذه العملية لا تجبر المستكشفين على التحرك في اتجاه محدد؛ بل تقوم ببساطة بتعديل وزن قصصهم. ثم تُستخدم المسارات التي تطابق البيانات لبدء جولة الاستكشاف التالية، مما يؤدي فعليًا إلى تلقيح المحاكاة بالاتجاهات الأكثر واعدة. ومع مرور العديد من الدورات، تتحول المجموعة بأكملها من المستكشفين تدريجيًا في تركيزها، من نقطة البداية نحو الأشكال المستهدفة التي تظهر في التجارب.

تحقق الباحثون من صحة هذا النهج باستخدام ثلاثة بروتينات متميزة لضمان نجاحه عبر مستويات مختلفة من التعقيد. كان الأول هو "تشينيولين" (chignolin)، وهو بروتين اصطناعي صغير ينطوي ليشكل شكلًا يشبه دبوس الشعر. بدأوا بمحاكاة للحالة المطوية وطلبوا من النظام إيجاد الحالة غير المطوية، والتي تم تحديدها من خلال مجموعة من الصور التجريبية. وفي غضون دورات قليلة فقط، نجحت المحاكاة في نقل البروتين من شكله المدمج المطوي إلى الشكل الممتد غير المطوي، مطابقةً التوزيع التجريبي بدقة تامة. وتضمن الاختبار الثاني بروتينًا أكبر قليلاً يسمى "NTL9"، والذي ينطوي من سلسلة غير مطوية إلى بنية مستقرة. وهنا، عملت العملية بشكل عكسي: بالبدء من السلسلة غير المطوية، وجه النظام المحاكاة نحو الحالة المطوية، محققًا دقة عالية في مطابقة البيانات التجريبية مرة أخرى.

أما الاختبار الأكثر تعقيدًا فقد أُجري على "أدينيلات كيناز" (adenylate kinase)، وهو إنزيم كبير يعمل كمدير للطاقة الخلوية. يمتلك هذا البروتين قدرة فريدة على التأرجح بين شكل مغلق، حيث يحتفظ بوقوده، وشكل مفتوح، حيث يطلقه. تتضمن هذه الحركة انحناء وتدوير أجزاء كبيرة من الجزيء. بدأ الباحثون المحاكاة في الحالة المغلقة واستخدموا صور الحالة المفتوحة لتوجيهها. نجح النظام في دفع البروتين عبر مرحلة الانتقال، ملتقطًا الأشكال الوسيطة المحددة التي يتخذها أثناء انفتاحه. والأهم من ذلك، أن المسار الذي سلكته المحاكاة طابق المسار الطبيعي الملاحظ في عمليات المحاكاة الطويلة غير المنحازة، مما أثبت أن الطريقة لم تكتفِ فقط بإجبار البروتين على اتخاذ شكل جديد، بل وجدت الطريق الصحيح للوصول إليه.

كان أحد أهم النتائج هو أن هذه الطريقة تعمل حتى عندما تكون نقطة البداية والهدف مختلفين تمامًا. في العديد من المحاولات السابقة، إذا بدأت المحاكاة في منطقة من "فضاء الأشكال" لا يوجد فيها أي تداخل مع الهدف، فإنها كانت تفشل في إيجاد الهدف. ومع ذلك، استطاع "cryoWEight" جسر هذه الفجوة. فمن خلال استخدام الصور التجريبية لإعادة وزن المسارات، استطاع النظام توليد أشكال جديدة لم تكن موجودة في بيانات البداية الأصلية. وقد فعل ذلك من خلال إدراك أن بعض الأشكال هي الأكثر احتمالًا لإنتاج الصور المرصودة، ثم استخدام تلك الأماكن لتوجيه المزيد من الاستكشاف. سمح هذا للمحاكاة بعبور حواجز طاقة عالية كان من المستحيل عبورها في عملية تشغيل قياسية.

كما استكشف الباحثون مقدار المعلومات المطلوبة من الصور التجريبية لكي تعمل الطريقة. لقد اختبروا النظام بصور ذات مستويات متفاوتة من الوضوح، محاكيين ظروفًا تكون فيها الإشارة قوية للغاية وظروفًا أخرى تكون فيها الإشارة مدفونة في الضجيج. عندما كانت الصور واضحة، تقارب النظام بسرعة نحو الأشكال الصحيحة. وعندما كانت الصور مليئة بالضجيج، فشل النظام في إيجاد الهدف، مما أكد أن التوجيه يأتي من البيانات نفسها وليس من انحياز داخلي للمحاكاة. وتعد هذه الحساسية لجودة البيانات نقطة قوة، لأنها تضمن أن النتائج مدفوعة بالأدلة التجريبية الفعلية.

علاوة على ذلك، أظهر الباحثون أن الطريقة تتسم بالمتانة تجاه كيفية تقسيم مساحة المحاكة. يحتاج الحاسوب إلى تقسيم المشهد المعقد للأشكال الممكنة إلى مناطق أصغر لإدارة الحسابات. لقد اختبروا طرقًا مختلفة لرسم هذه الحدود ووجدوا أن النتيجة النهائية كانت هي نفسها بغض النظر عن كيفية رسم الخريطة. يشير هذا إلى أن الطريقة موثوقة ولا تعتمد على الاختيارات التعسفية التي يتخذها الباحثون. كما أظهرت أن النظام يمكنه استعادة مزيج من الأشكال المختلفة؛ فعندما كان الهدف عبارة عن مزيج من الحالات المطوية وغير المطوية، أعادت المحاكاة إنتاج نسبة هذه الحالات بشكل صحيح، مما أظهر قدرتها على التعامل مع سيناريوهات معقدة متعددة الحالات.

تمتد آثار هذا العمل إلى ما وراء هذه البروتينات الثلاثة فحسب. فالإطار مصمم ليكون مرنًا، مما يعني إمكانية تطبيقه على أنواع أخرى من البيانات التجريبية، مثل تلك المستمدة من الرنين المغناطيسي النووي أو تشتت الأشعة السينية، وليس فقط المجهر الإلكتروني. والمبدأ الأساسي هو أن النظام يستخدم احتمالية ظهور صورة ما لتوجيه المحاكاة، وهو مبدأ يمكن تطبيقه على أي ملاحظة تحدد توزيعًا مستهدفًا. وبينما استخدمت الاختبارات الحالية صورًا اصطناعية مولدة من هياكل معروفة، يشير المؤلفون إلى أن الطريقة جاهزة للتطبيق على البيانات التجريبية الحقيقية. وهذا سيسمح للعلماء بأخذ صور مجهرية فعلية لبروتين أثناء عمله واستخدامها لبناء نموذج ديناميكي لكيفية حركة هذا البروتين وعمله.

من خلال دمج اللقطات التجريبية مع قوة محاكاة العينات المعززة، يقدم "cryoWEight" طريقة جديدة لرؤية الديناميكيات غير المرئية لآليات الحياة. فهو لا يحل محل الحاجة إلى بيانات تجريبية عالية الجودة، ولا يحل محل الحاجة إلى نماذج فيزيائية دقيقة. بدلاً من ذلك، يعمل كجسر، مستخدمًا البيانات لتصحيح النماذج، والنماذج لملء الفجوات في البيانات. والنتيجة هي صورة أكثر اكتمالاً لكيفية عمل البروتينات، تكشف عن المسارات التي تسلكها والحالات التي تزورها. ومع انتقال المجال نحو فهم التجمعات الجزيئية الأكبر والأكثر تعقيدًا، ستكون أدوات كهذه ضرورية لتحويل الصور الساكنة إلى قصص ديناميكية للوظائف البيولوجية.