Predicting conformational changes induced by biomolecular interactions
تقدم الورقة البحثية K-Fold، وهو إطار تعلم توليدي مبتكر يتنبأ بالتغيرات التشكيلية للجزيئات الحيوية من خلال نمذجة الانتقال الهيكلي الصريح من الحالات غير المرتبطة إلى الحالات المرتبطة عبر جسر انتشار فائق السرعة، متجاوزاً بذلك قيود نماذج الالتفاف المشترك الحالية في التقاط الديناميكيات الناجمة عن التفاعل دون الاعتماد على محاذاة المتواليات المتعددة.
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
الخلايا هي مدن تعج بالحركة، حيث تلتقي الجزيئات باستمرار، وتتصافح، وتغير أشكالها لإرسال الإشارات أو بناء هياكل جديدة. ولفهم كيفية عمل الحياة، أو لكيفية تصميم أدوية تتناسب تماماً مع هذه الآلات الجزيئية، يحتاج العلماء إلى معرفة الشكل ثلاثي الأبعاد الدقيق لهذه الأجزط المتفاعلة. لعقود من الزمن، كان التحدي يكمل في التنبؤ بكيفية ظهور جزيئين منفصلين عند التقائهما معاً. وبينما أصبحت الحواسيب الحديثة بارعة للغاية في تخمين شكل جزيء واحد بناءً على شفرته الجينية، إلا أنها غالباً ما تتعثر عندما يُطلب منها التنبؤ بكيفية التواء وانعطاف ذلك الجزيء بمجرد لقائه بشريك له. تكمن المشكلة في أن الجزيئات ليست كتلًا صلبة؛ بل هي مرنة. فعندما يرتبط دواء ببروتين، أو يمسك جسم مضاد بمستضد، غالباً ما يغير كلاهما شكله ليتلاحما معاً. وتفشل الطرق الحالية في رصد هذه الحركات الدقيقة والحاسمة، مما ينتج شكلاً يبدو منطقياً ولكنه خاطئ وظيفياً.
قدم فريق من الباحثين نهجاً جديداً يسمى "K-Fold" يغير طريقة حدوث هذا التنبؤ. فبدلاً من محاولة تخمين الشكل النهائي المتلاحم من الصدفه، يبدأ "K-Fold" بالجزيئين بالفعل في أشكالهما المنفصلة وغير المرتبطة. ثم يستخدم عملية رياضية لمحاكاة رحلة مجيئهما معاً. تخيل جسراً يربط بين مشهدين طبيعيين متميزين؛ هذه الأداة تبني جسراً بين شكل الجزيء بمفرده وشكل الجزيء عندما يكون مرتبطاً بشريكه. ومن خلال التعامل مع عملية التجميع كتحول من حالة إلى أخرى، وليس كمجرد تخمين ساكن واحد، يمكن للنظام التقاط الحركات المحددة المطلوبة لتوافق الجزيئات بشكل أفضل. لا يعتمد هذا الأسلوب على البحث عن أدلة تطورية في التاريخ الجيني، والتي غالباً ما تفشل مع الجزيئات المهندسة أو أهداف الأدوية الجديدة، بل يركز بدلاً من ذلك على القواعد الفيزيائية لكيفية تكيف الأشكال مع بعضها البعض.
اختبر الباحثون هذا الإطار الجديد مقابل مجموعة واسعة من الألغاز البيولوجية، بما في ذلك كيفية عثور الأجسام المضادة على أهدافها، وكيفية استقطاب الجزيئات الصغيرة للأدوية للبروتينات لتفكيكها، وكيفية تبديل المستقبلات في الدماغ بين حالتي النشاط والخمول. وفي الاختبارات المتعلقة بالأجسام المضادة، والتي تعد صعبة التنبؤ نظاً لتغير حلقات الارتباط فيها بسرعة، نجح "K-Fold" في إيجاد موقع الارتباط الصحيح في أكثر من نصف الحالات، متفوقاً على النماذج الرائدة السابقة التي تعتمد على البيانات التطورية. وكان هذا واضحاً بشكل خاص في الأهداف الجديدة التي لا توجد لها أمثلة تاريخية في قواعد البيانات العلمية. وفي حالة "المواد اللاصقة الجزيئية" (molecular glues) — وهي مركبات صغيرة تجبر بروتينين على الالتصاق ببعضهما — قام النموذج الجديد بتجميع المعقد ثلاثي الأجزاء بشكل صحيح في ما يقرب من 44% من المحاولات، وهو تحسن كبير عن الأدوات الحالية التي غالباً ما تخطئ في تحديد مكان البروتين المستقطب بالكامل.
كما درست الدراسة بروتينات الإشارة المعقدة مثل "الكينازات" ومستقبلات البروتين (G-protein coupled receptors)، والتي تعمل كمفاتيح في الجسم. تمتلك هذه البروتينات أشكالاً مختلفة عندما تكون في حالة التشغيل مقابل حالتها عند الإيقاف. كانت النماذج القديمة تميل إلى العودة تلقائياً إلى الشكل الأكثر شيوعاً لـ "التشغيل"، حتى عندما تشير الظروف إلى أن البروتين يجب أن يكون في حالة "الإيقاف". ومع ذلك، نجح "K-Fold" في التنبؤ بالحالة غير النشطة الصحيحة في حوالي 78% من الحالات التي كان فيها البروتين مرتبطاً بمثبط، ملتقطاً بدقة التغيرات الهيكلية المحددة التي تسكت الإشارة. وهذه القدرة على التمييز بين الحالات الوظيفية المختلفة حيوية لتصميم الأدوية، حيث قد يحتاج الدواء إلى قفل البروتين في شكل معين لإيقاف عملية مرضية ما.
ولعل الجانب الأكثر قوة في هذا العمل هو قدرته على استكشاف احتمالات متعددة دون الحاجة إلى إعادة التدريب. ولأن النظام يبدأ بالمكونات المنفصلة، يمكن للباحثين تغذيته بأشكال ابتدائية مختلفة للجزيء غير المرتبط لرؤية كيف قد يبدو المعقد النهائي. وفي الحالات الصعبة التي فشلت فيها النماذج القياسية تماماً، سمح استخدام مجموعة متنوعة من الأشكال الابتدائية للنظام الجديد بإيجاد وضع الارتباط الصحيح. على سبيل المثال، وجد النموذج بنية صحيحة في ما يقرب من 40% من المحاولات في هدف بروتيني صعب عندما تم توجيهه بمجموعة متنوعة من الأشكال الابتدائية، بينما لم يجد شيئاً عند استخدام شكل ابتدائي واحد قياسي. وهذا يشير إلى أن النظام قد تعلم المبادئ الفيزيائية العامة لكيفية تكيف الجزيئات، بدلاً من مجرد حفظ أمثلة محددة من بيانات تدريبه.
وعلى الرغم من أن الطريقة ليست مثالية ولا تزال تواجه تحديات في التنبؤ بالاستقرار الدقيق للأشكال المختلفة أو التعامل مع الحركات الجزيئية النادرة للغاية، إلا أنها تمثل تحولاً كبيراً في كيفية مقاربة العلماء لعملية التجميع الجزيئي. فمن خلال التركيز على الانتقال بين الحالات بدلاً من مجرد الوجهة النهائية، يوفر "K-Fold" طريقة أكثر قوة للتنبؤ بكيفية ترابط الآليات الحيوية معاً. يوفر هذا النهج مساراً أوضح لتصميم أدوية جديدة وفهم التنظيم الخلوي، مما يقرب المجال من رؤية ديناميكية للبيولوجيا حيث تُرى الجزيئات ليس كتماثيل ثابتة، بل كشركاء مرنين يعيدون تشكيل أنفسهم باستمرار للقيام بعملهم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.