Repurposing PeTriBERT for Protein Protein Interaction Prediction with Sequence Structure Fusion
تقدم الورقة البحثية PeTriPPI2، وهو إطار عمل هجين يدمج تضمينات تسلسل ESM-2 مع تمثيلات PeTriBERT الهيكلية للتنبؤ بالتفاعلات بين البروتينات، محققاً دقة وإحكاماً عاليين على مجموعة بيانات Pinder مع إثبات القيمة التكاملية لكل من الميزات التسلسلية والهيكلية من خلال دراسات الاستئصال.
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
إن الحياة على المقياس المجهري هي عالم من الاتصال المستمر. فداخل كل خلية حية، تعمل البروتينات كعمال وبنائين ورسل يحافظون على استمرار عمل آلات الحياة. هذه الجزيئات ليست شخصيات منعزلة؛ فهي نادراً ما تعمل بمفردها، بل يجب عليها إيجاد شركاء محددين والالتحام معهم لتشكيل فرق تقود التفاعلات الكيميائية، أو ترسل الإشارات، أو تبني الهياكل الخلوية. وتسمى عملية التقاء بروتينين معاً والالتصاق ببعضهما البعض بـ "التفاعل بين البروتينات". إن فهم أي البروتينات تترابط معاً وكيف تفعل ذلك هو أمر بالغ الأهمية للعلماء؛ فإذا تمكن الباحثون من رسم خرائط لهذه الروابط، يمكنهم معرفة كيف تبدأ الأمراض، ولماذا تعمل أدوية معينة، وكيفية تصميم أدوية جديدة لإصلاح الأنظمة البيولوجية المعطلة.
لفترة طويلة، كان تحديد هذه الشراكات يشبه محاولة حل لغز بقطع مفقودة. كان بإمكان العلماء مراقبة تفاعل البروتينات في المختبر، لكن العملية كانت بطيئة ومكلفة وغالباً ما تكون غير مكتملة. وفي السنوات الأخيرة، تدخل الذكاء الاصطناعي للمساعدة، حيث تعلم كيفية التنبؤ بكيفية طي البروتينات لتتخذ أشكالها ثلاثية الأبعاد. وقد فتح هذا الاختراق باباً جديداً: إذا استطعنا التنبؤ بشكل البروتين، فقد نتمكن من التنبؤ بكيفية تفاعله مع غيره. ومع ذلك، فإن شكل البروتين ليس سوى نصف القصة؛ إذ يحمل تسلسله الكيميائي أيضاً — وهو الترتيب المحدد لوحداته البنائية — أدلة حيوية. وكان التحدي يكمن في بناء نموذج حاسوبي يمكنه قراءة كل من التسلسل والشكل في آن واحد، ودمجهما لإجراء تنبؤ موثوق حول ما إذا كان بروتينان سيتفاعلان أم لا.
لقد اتخذ فريق من الباحثين في فرنسا خطوة كبيرة للأمام في هذا المسعى من خلال إنشاء أداة جديدة تسمى PeTriPPI2. يركز عملهم على استراتيجية ذكية تتمثل في إعادة توظيف نماذج الذكاء الاصطناعي الموجودة لحل مشكلة جديدة. لقد بدأوا بنظامين قويين مدربين مسبقاً؛ الأول هو نموذج قرأ الملايين من تسلسلات البروتين، وتعلم لغة البيولوجيا تماماً كما يتعلم الإنسان لغة منطوقة. والثاني هو نموذج صُمم في الأصل للقيام بعكس ما هو متوقع عادةً: فبدلاً من التنبؤ بالشكل من التسلسل، تم تدريبه على تخمين التسلسل الذي سيخلق شكلاً معيناً. هذا النموذج الثاني، المعروف باسم PeTriBERT، بارع للغاية في فهم القواعد الهندسية التي تحكم كيفية توافق أجزاء البروتين مع بعضها البعض في الفضاء ثلاثي الأبعاد.
أدرك الباحثون أنه بينما تم بناء PeTriBERT لمهمة مختلفة، فإن فهمه العميق لهندسة البروتين يمكن أن يكون مفيداً للغاية في التنبؤ بالتفاعلات. فقاموا بدمج هذا النموذج الهندسي مع نموذج قراءة التسلسل، لينتج عن ذلك نظام هجين. في إعدادهم، يتم إدخال البروتينين المراد اختبارهما إلى النظام بطريقتين: يرسل أحد المسارين تسلسل الأحماض الأمينية الخام عبر نموذج اللغة لالتقاط التعليمات الكيميائية، بينما يرسل المسار الآخر البنية ثلاثية الأبعاد للبروتينات عبر النموذج الهندسي. ثم ينظر النظام في كيفية توافق هذين المسارين من المعلومات؛ حيث يتساءل عما إذا كانت التعليمات الكيميائية والأشكال الفيزيائية للبروتينين متوافقة بما يكفي لتكوين رابطة مستقرة.
ولاختبار مدى نجاح هذا النهج، قام الفريق بتدريب نموذجهم الجديد على مجموعة بيانات ضخمة تحتوي على أكثر من 1.6 مليون زوج من البروتينات، نصفها معروف بتفاعلها والنصف الآخر لا يتفاعل. ثم وضعوا النموذج تحت الاختبار على مجموعة منفصلة مكونة من 2,342 زوجاً من البروتينات لم يسبق له رؤيتها من قبل. كانت النتائج قوية؛ فقد حدد النموذج الأزواج المتفاعلة بدقة عالية، محققاً درجة قدرها 0.898. والأهم من ذلك، عندما قال إن بروتينين سيتفاعلان، كان محقاً بنسبة 91.7 بالمائة. تعني هذه الدقة العالية أن النموذج جيد جداً في تجنب الإنذارات الكاذبة، وهي ميزة حاسمة للباحثين الذين يحتاجون إلى مؤشرات موثوقة للمتابعة في المختبر.
كما كشفت الدراسة عن شيء مثير للاهتمام حول كيفية عمل النموذج من خلال اختبار ما يحدث عند إزالة أجزاء منه. فعندما منع الباحثون النموذج من رؤية معلومات التسلسل، انخفضت قدرته على التنبؤ بالتفاعلات بشكل كبير. وعندما منعوا المعلومات الهيكلية، انخفضت دقة النموذج إلى 0.523 وانخفضت درجة F1 الخاصة به إلى 0.118، مما جعله يؤدي أداءً أفضل قليلاً من التخمين العشوائي. وقد أكد هذا أن كلاً من التسلسل الكيميائي والشكل الفيزيائي ضروريان لعمل النظام؛ فالنموذج لا يقوم فقط بحفظ الأنماط، بل يستخدم حقاً الجمع بين كلا النوعين من البيانات لاتخاذ قراراته.
وعند مقارنته بالأساليب الرائدة الأخرى، أظهر PeTriPPI2 قوة متميزة؛ فقد كان أكثر دقة من نموذج هجين مشابه يسمى SpatialPPIv2، مما يعني أنه ارتكب أخطاء أقل عند التنبؤ بحدوث تفاعل. ومع ذلك، كان أقل حساسية قليلاً، حيث رصد عدداً أقل من التفاعلات الممكنة الإجمالية. وهذا يشير إلى أن PeTriPPI2 يعمل بمعيار أكثر صرامة، حيث يفضل التأكد قبل إصدار حكمه. وبالنسبة للعلماء، يمكن أن يكون هذا المقايضة ذات قيمة؛ ففي كثير من السيناريوهات البحثية، يكون من الأفضل الحصول على قائمة أصغر من المرشحين الموثوقين للغاية بدلاً من قائمة طويلة من الاحتمالات التي تتضمن العديد من المؤشرات الكاذبة.
ويوضح هذا العمل أن نماذج الذكاء الاصطناعي المدربة على مهمة بيولوجية محددة يمكن تكييفها بنجاح لمهمة أخرى. فمن خلال أخذ نموذج مصمم للهندسة العكسية لأشكال البروتين وتعليمه التعرف على التفاعلات، أظهر الباحثون أن المعرفة الهندسية الأساسية قابلة للنقل. وبينما لا يزال النموذج يعتمد على وجود تنبؤ جيد لشكل البروتين ليعمل، فإن نجاح هذا النهج يشير إلى أن مستقبل علوم البروتين قد يكمكمن في هذه الأنظمة الهجينة؛ فهي تجمع بين المعرفة الواسعة لتسلسلات البروتين والمنطق الدقيق للهندسة الفيزيائية، مما يقدم صورة أكثر اكتمالاً لكيفية اتصال العالم الجزيئي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.