NoiTox: A Machine Learning Strategy for Peptide Toxicity Prediction Reveals Label Noise in Benchmark Datasets

في عالم الطب، لطالما وفرت الطبيعة مجموعة من الجزيئات القوية تسمى الببتيدات. هذه الجزيئات عبارة عن سلاسل قصيرة من الأحماض الأمينية، وهي اللبنات الأساسية للبروتينات، وتعمل كرسل ومدافعين دقيقين داخل الأنظمة الحية. ولأن هذه الببتيدات يمكن تصميمها لاستهداف خلايا معينة بدقة عالية، يتوق العلماء لتحويلها إلى أدوية جديدة لمحاربة السرطان، والعدوى، والاضطرابات الهرمونية. ومع ذلك، هناك عقبة كبيرة: فالسمات ذاتها التي تجعل هذه الببتيدات فعالة ضد المرض يمكن أن تجعلها خطيرة على المريض أيضًا. إذ يمكن لتغيير طفيف في تسلسل الببتيد أن يحول دواءً منقذًا للحياة إلى مادة تدمر خلايا الدم الحمراء أو تسمم الأنسجة السليمة. وبما أن اختبار كل مرشح محتمل للدواء في المختبر عملية بطيئة ومكلفة، وغالبًا ما يكون من المستحيل توسيع نطاقها، يعتمد الباحثون على برامج الكمبيوتر للتنبؤ بأي التسلسلات آمنة وأيها سام قبل أن تلمس أي خلية حية.

لقد طور فريق من الباحثين استراتيجية حاسوبية جديدة تسمى "NoiTox" لحل مشكلة التنبؤ هذه، لكن عملهم كشف عن خلل مفاجئ في البيانات ذاتها المستخدمة لتدريب هذه البرامج. فبدلاً من الاعتماد على نموذج واحد معقد للذكاء الاصطناعي يعمل كـ "صندوق أسود"، بنى الفريق نظامًا يجمع بين ثلاثة أنواع مختلفة من طرق التعلم. تنظر إحدى الطرق إلى الخصائص الكيميائية للببتيد، مثل وزنه وشحنته الكهربائية. وتقر طريقة أخرى تسلسل الأحماض الأمينية كما لو كان لغة، حيث تتعلم الأنماط من ملايين البروتينات الطبيعية. أما الطريقة الثالثة، فتتعامل مع الببتيد كشبكة من النقاط المتصلة، محللةً كيفية تفاعل الأجزاء المختلفة من السلسلة مع بعضها البعض. ومن خلال تشغيل هذه المنهجيات الثلاث معًا، يمكن للنظام التنبؤ بالسمية بدقة عالية مع توضيح الخصائص الكيميائية التي تقود هذا القرار. وتعد هذه الشفافية أمرًا بالغ الأهمية، لأنها تتيح للعلماء فهم سبب احتمال كون الببتيد خطيرًا، بدلاً من مجرد قبول تخمين الكمبيوتر.

اختبر الباحثون نظامهم الجديد مقابل الأدوات الموجودة باستخدام مجموعات بيانات قياسية للببتيدات. ووجدوا أن نهجهم المجمع كان يؤدي بشكل جيد تمامًا مثل أفضل الطرق الحالية في الاختبارات المنضبطة. والأهم من ذلك، أنه عندما اختبروه على مجموعة مستقلة تمامًا من البيانات التي لم ترها الأدوات الأخرى من قبل، تفوق نظامهم على المنافسين. وأظهرت النتائج أن الطريقة الأبسط، التي اعتمدت فقط على الأوصاف الكيميائية، كانت قوية وموثوقة بشكل مدهش. وهذا يشير إلى أن فهم التركيب الفيزيائي والكيميائي الأساسي للببتيد غالبًا ما يكون كافيًا للتنبؤ بسلامته، دون الحاجة إلى القوة الحسابية الهائلة لنماذج التعلم العميق الأكثر تعقيدًا.

ومع ذلك، فإن الاكتشاف الأهم في الدراسة لم يكن يتعلق بمدى جودة تنبؤ الكمبيوتر، بل بالأخطاء التي ارتكبها. فعندما فحص الباحثون الببتيدات التي أخطأ النظام في تقديرها باستمرار، وجدوا نمطًا يشير إلى مشكلة في البيانات نفسها. فقد قاموا بمطابقة الببتيدات المصنفة كـ "آمنة" في بيانات التدريب الخاصة بهم مع قواعد بيانات متخصصة للمواد المعروفة بسميتها. واكتشفوا أن عددًا صغيرًا ولكن ثابتًا من البالببتيدات المصنفة كآمنة كانت في الواقع معروفة بأنها سامة في سجلات علمية أخرى. وهذا يشير إلى أن البيانات السلبية المستخدمة لتدريب هذه النماذج كانت معيبة؛ حيث كان يتم تعيين التصنيف "آمن" ببساطة لأن أحدًا لم يختبر الببتيد صراحةً بحثًا عن السمية، وليس لأنه ثبتت سلامته. وهذا شكل دقيق ولكنه حاسم من أشكال الخطأ يُعرف باسم "الضجيج في التسمية بسبب الإغفال".

استقصى الفريق ما إذا كان إزالة هذه الببتيدات المصنفة خطأً سيحل المشكلة. توقعوا أن تنظيف البيانات سيجعل النماذج أكثر دقة، لكنهم وجدوا بدلاً من ذلك أن إزالة هذه التسلسلات أضر بأداء النماذج. وتشير هذه النتيجة المنافية للحدس إلى أن هذه الببتيدات "الموسومة خطأً" تحمل معلومات قيمة؛ فهي ليست مجرد أخطاء عشوائية، بل تمثل منطقة رمادية حيث تكون الخصائص الكيميائية للببتيد غامضة، وتقع على الحدود بين الأمان والسمية. ومن خلال التخلص منها، فقدت النماذج القدرة على تعلم تفاصيل هذه الحدود. وخلص الباحثون إلى ضرية عدم التخلص من هذه التسلسلات، بل يجب بدلاً من ذلك وضع علامات عليها لمزيد من المراجعة والتدقيق البشري.

كما سلطت الدراسة الضوء على أهمية قابلية التفسير في الذكاء الاصطناعي. ولأن الفريق استخدم طريقة يمكنها تحديد خصائص كيميائية معينة، فقد تمكنوا من تحديد ما يجعل الببتيد سامًا بدقة. ووجدوا أن وجود أحماض أمينية معينة تحتوي على الكبريت، وخاصة السيستين، كان مؤشرًا قويًا على السمية. فالسيستين مادة نشطة كيميائيًا ويمكن أن يشكل روابط تعطل أغشية الخلايا، وهو ميكانزم يرتبط غالبًا بالسمية. وفي المقبب، كانت أحماض أمينية أخرى تحتوي على الكبريت مثل الميثيونين، وبعض المكونات الكارهة للماء مثل الفالين والليوسين، أكثر شيوعًا في الببتيدات الآمنة. ويوفر هذا المستوى من التفاصيل لمصممي الأدوية دليلًا واضحًا: إذا كان تسلسل الببتيد غنيًا بالسيستين النشط، فمن المرجح أن يكون خطرًا، بينما يشير التوازن بين المكونات المستقرة وغير التفاعلية إلى السلامة.

في الختបញ្ចប់، يوضح هذا العمل أن مستقبل اكتشاف أدوية الببتيدات لا يعتمد فقط على بناء أجهزة كمبيوتر أذكى، بل على تنقية البيانات التي تتعلم منها. لقد أظهر الباحثون أن النهج متعدد الجوانب، الذي يجمع بين أنواع مختلفة من التعلم الآلي والاهتمام الوثيق بجودة بيانات التدريب، يحقق أفضل النتائج. وتشير نتائجهم إلى أن المجال كان يعمل برؤية مشوهة قليلاً للسلامة، حيث كان غياب تحذير من السمية يُفهم خطأً على أنه دليل على السلامة. ومن خلال تصحيح هذه الرؤية وفهم الإشارات الكيميائية المحددة للخطر، يمكن للعلماء تصميم ببتيدات علاجية أفضل وأكثر أمانًا. لا تدعي الدراسة أنها حلت مشكلة التنبؤ بالسمية تمامًا، لكنها تقدم خريطة أوضح للأماكن التي تنجح فيها الأدوات الحالية وحيث تحتاج البيانات نفسها إلى تحسين، مما يوفر مسارًا أكثر موثوقية لتطوير الجيل القادم من الأدوات المنقذة للحياة.