High-throughput variant libraries and machine learning enable robust target-site selection for toehold-switch design in Detectrons
يقدم المؤلفون DeSTAR، وهو نموذج تعلم آلي تم تدريبه على مكتبات متغيرات عالية الإنتاجية نجح في تحديد مواقع الاستهداف المثلى لمستشعرات الحمض النووي الريبوزي ذات مفتاح عتبة التثبيت (toehold-switch)، محققاً تحسناً بمقدار خمسة أضعاف في تصميم المستشعرات الوظيفية على نسخ SARS-CoV-2 غير المرئية مقارنة بالاختيار العشوائي.
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
تخيل عالماً يستطيع فيه الأطباء حمل جهاز بسيط للكشف عن فيروس من قطرة دم واحدة، أو حيث يمكن للمزارعين معرفة ما إذا كانت محاصيلهم مريضة على الفور، وكل ذلك دون الحاجة إلى مختبر ضخم. تعتمد هذه الرؤية على نوع من الأدوات البيولوجية يسمى مستشعر الحمض النووي الريبوزي (RNA). هذه المستشعرات هي جزيئات صغيرة قابلة للبرمجة تعمل مثل الأقفال الجزيئية؛ فعندما تواجه قطعة محددة من الشفرة الوراثية لفيروس أو مرض، تفتح وتصدر إشارة. والوعد هنا هو أن العلماء يمكنهم تصميم هذه المستشعرات للتعرف على أي تسلسل جيني يختارونه. ومع ذلك، هناك عقبة كبيرة؛ فمجرد تصميم مستشعر للتعرف على تسلسل معين لا يعني بالضرورة أنه سيعمل بشكل جيد. في الواقع، يعتمد أداء هذه المستشعرات كلياً على المكان الذي توضع فيه بالضبط ضمن الشريط الطويل للمادة الوراثية التي تحاول العثور عليها. فبعض المواقع تعمل بشكل مثالي، بينما تفشل مواقع أخرى تماماً، حتى وإن كانت بجوارها مباشرة. لقد كان البحث عن الموقع الصحيح بمثابة لعبة تخمين، وغالباً ما يتطلب من الباحثين بناء واختبار مئات المستشعرات الفاشلة قبل العثد من واحد يعمل.
لقد نجح فريق من الباحثين الآن في حل هذه المشكلة عن طريق تعليم الكمبيوتر كيفية إيجاد أفضل المواقع تلقائياً. فقد طوروا طريقة جديدة تسمى "DeSTAR"، وهي اختصار لـ (Detectron Sensor Target-site Ranker). ولتدريب نموذج الكمبيوتر هذا، لم يكتفوا بالنظر إلى أمثلة قليلة، بل بنوا مكتبة ضخمة من المستشعرات تغطي شرائط جينية كاملة لستة كائنات مختلفة، بما في في ذلك فيروسات تصيب البشر وبكتيريا. لقد اختبروا كل موقع ممكن على طول هذه الشرائط، وصمموا آلاف المستشعرات لمعرفة أيها يعمل وأيها لا يعمل. ومن خلال تحليل هذه الكمية الهائلة من البيانات، اكتشف الباحثون أن نجاح المستشعر ليس عشوائياً، بل يتبع مجموعة صارمة من القواعد بناءً على البنية الكيميائية للمستشعر نفسه، وتحديداً كيفية اتصال الأزواج الأولى من وحداته البنائية. لقد تعلم الكمبيوتر هذه القواعد بدقة شديدة لدرجة أنهم عندما اختبروه على فيروس جديد تماماً لم يره من قبل، نجح في تحديد المستشعرات العاملة بشكل أكبر بكثير مما لو كانوا قد اختاروا المواقع عشوائياً.
بدأ الباحثون ببناء نظام يسمى "Detectron"، وهو نوع من مستشعرات الـ RNA التي تنتج رمزاً شريطياً (barcode) من الحمض النووي (DNA) عندما تجد هدفها. يعمل هذا الرمز الشريطي كمعرّف فريد يمكن لآلة عدّه، مما يسمح لهم باختبار آلاف المستشعرات في وقت واحد. لقد أخذوا ستة شرائط جينية مختلفة — اثنان من العاثيات (bacteriophages)، واثنان من الفيروسات المسببة للأمراض البشرية مثل زيكا ودنغي، واثنان من الخلايا البشرية — وقسموها إلى قطع صغيرة ومتداخلة. ولكل قطعة، بنوا مستشعراً مصمماً للتعرف على تلك القطعة تحديداً. نتج عن ذلك مكتبة تضم أكثر من سبعة آلاف مستشعر، لكل منها رمز شريطي فريد. ثم أدخلوا هذه المستشعرات في البكتيريا جنباً إلى جنب مع الشرائط الجينية المستهدفة. فإذا وجد المستشعر هدفه، فإنه ينتج رمزاً شريطياً؛ وإذا لم يجد، فإنه يظل صامتاً. ومن خلال عد الأكواد الشريطية، تمكنوا من قياس مدى كفاءة كل مستشعر بدقة.
كشفت النتائج عن مستوى مذهل من التفصيل. فقد تباين أداء المستشعرات بشكل هائل من موقع إلى آخر؛ فقد يكون المستشعر المصمم للتعرف على تسلسل معين يعمل ببراعة، ولكن إذا قام الباحثون بإزاحة الهدف بمقدار حرف واحد فقط في الشفرة الوراثية، فإن المستشعر غالباً ما يتوقف عن العمل تماماً. هذه الحساسية تعني أن النظر إلى الشريط الجيني في خطوط عريمة لم يكن كافياً، بل كانوا بحاجة لرؤية كل حرف على حدة. وعندما نظروا إلى البيانات، وجدوا أن المستشعرات التي عملت بشكل أفضل تشترك في نمط محدد في بنيتها. فالجزء من المستشعر الذي يلمس الهدف أولاً، والمعروف باسم "الساق" (stem)، يجب أن يتبع قاعدة دقيقة: يجب أن يكون الاتصال الثاني في الساق ضعيفاً، بينما تكون الاتصالات التي تليها قوية. هذا الترتيب المحدد سمح للمستشعر بالانفتاح بسهولة عندما يجد هدفه، والبقاء مغلقاً عندما لا يجده.
باستخدام هذه الملاحظات، درب الباحثون نموذجاً للتعلم الآلي للتعرف على هذا النمط. لقد علموا الكمبيوتر كيفية النظر إلى تسلسل موقع هدف محتمل والتنبؤ بما إذا كان المستشعر المبني لهذا الموقع سيكون قوياً أم ضعيفاً. واختبروا النموذج عن طريق إخفاء أحد الشرائط الستة عن الكمبيوتر وطلب التنبؤ بأفضل المواقع على هذا الشريط المخفي. نجح النموذج في تحديد المواقع عالية الأداء بدقة أكبر بكثير من الاختيار العشوائي. وقد استطاع التمييز بين المواقع الجيدة والسيئة بناءً على القواعد التي تعلمها، بدلاً من مجرد حفظ الشرائط التي رآها من قبل. وهذا أثبت أن القواعد التي تحكم أداء المستشعر كانت عالمية ويمكن تطبيقها على تسلسلات جينية جديدة غير مرئية.
ولإثبات أن نموذجهم يعمل في العالم الحقيقي، ذهب الباحثون خطوة أبعد. فقد طبقوا نموذج الكمبيوتر المدرب على شريط جيني من فيروس SARS-CoV-2، وهو الفيروس الذي يسبب كوفيد-19، والذي كان جديداً تماماً على النظام. قام النموذج بترتيب كل موقع ممكن على الشفرة الجينية للفيروس واختار أفضل عشرة مواقع. ثم قام الباحثون ببناء مستشعرات لهذه المواقف العشرة واختبروها. كانت النتائج واضحة: المستشعرات التي اختارها الكمبيوتر كانت أكثر نشاطاً وموثوقية بشكل ملحوظ من المستشعرات المختارة عشوائياً. في الواقع، كانت اختيارات الكمشر الأولى أكثر عرضة لخمس مرات لأن تكون مستشعرات عاملة مقارنة بما لو كان الباحثون قد خمنوا فحسب. أثبت هذا النجاح أن النموذج يمكن استخدامه كأداة قوية لتصميم مستشعرات لأي فيروس جديد أو هدف جيني دون الحاجة إلى التجربة والخطأ.
كما أوضحت الدراسة لماذا فشلت المحاولات السابقة للتنبؤ بأداء المستشعرات. فقد ركزت النماذج الأخرى على الشكل العام للشريط الجيني أو الطاقة المطلوبة لفتحه، لكن هذه العوامل لم تكن المحركات الرئيسية للنجاح. وجد الباحثون أن الهوية الكيميائية المحددة للاتصالات الأولى في المستشعر كانت العامل المهيمن. وبينما كانت البنية العامة للشريط المستهدف مهمة، إلا أنها كانت ثانوية بالنسبة لهذه القاعدة المحلية. ومن خلال التركيز على هذا "النحو" الخاص ببنية المستشعر، استطاع النموذج الجديد تقديم تنبؤات دقيقة عبر أنواع مختلفة جداً من المواد الجينية.
يمثل هذا العمل تحولاً كبيراً في كيفية تعامل العلماء مع تصميم المستشعرات الجزيئية. فبدلاً من الاعتماد على الحدس أو القواعد العامة، يمكنهم الآن استخدام نماذج قائمة على البيانات لتحديد المواقع الدقيقة التي سيعمل فيها المستشعر. وهذا يقلل من الوقت والموارد اللازمة لتطوير أدوات تشخيصية جديدة. بالنسبة لعالم يحاول بناء مستشعر لمرض جديد، لم تعد العملية بحثاً أعمى في مشهد جيني شاسع؛ بل أصبح بإمكانهم الآن استخدام أداة تخبرهم بالضبط أين يبحثون، مما يحول تحدياً هندسياً صعباً إلى عملية اختيار مباشرة. إن القدرة على التنبؤ بالأداء بهذه الدقة تفتح الباب أمام الكشف السريع والموثوق لمجموعة واسعة من التهديدات البيولوجية، مما يجعل حلم التشخيصات المحمولة والقابلة للبرمجة أقرب إلى الواقع.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.