← أحدث الأبحاث
🧬 علم الوراثة

De novo Protein Generating Model via Structure-Aware Graph Neural Networks

تقدم هذه الورقة شبكة عصبية رسومية مدركة للبنية تعمل على تحسين دقة التشكيل ثلاثي الأبعاد بدلاً من استعادة التسلسل، مما يثبت أن التوليد الابتكاري للبروتينات يمكن أن يحقق دقة هيكلية تضاهي الأساليب الرائدة التي تركز على التسلسل دون إشراف مباشر على التسلسل.

المؤلفون الأصليون: Gammill, C. M., Tamil, L.

نُشر 2026-10-28
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

المؤلفون الأصليون: Gammill, C. M., Tamil, L.

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

على مدى عقود، أدرك علماء الأحياء أن وظيفة البروتين يحددها شكله. فالبروتين عبارة عن سلسلة طويلة من وحدات البناء التي تسمى الأحماض الأمينية، ويحدد الترتيب المحدد لهذه الوحدات كيفية طي السلسلة لتتحول إلى بنية معقدة ثلاثية الأبعاد. وتعد عملية الطي هذه دقيقة للغاية لدرجة أن تغييراً طفيفاً في التسلسل يمكن أن يتسبب في انهيار البنية بأكملها أو فشلها في العمل. ولفترة طويلة، كان التحدي العلمي يكمل في التنبؤ بالشكل الذي سيتخذه تسلسل معين. ومع ذلك، برز سؤال أكثر صعوبة وأهمية: إذا بدأت بشكل مرغوب فيه، هل يمكنك العمل بشكل عكسي للعثور على تسلسل الأحماض الأمينية المحدد الذي سينطوي ليصبح ذلك الشكل؟ إن الهندسة العكسية هذه، والمعروفة باسم التصميم العكسي للبروتين، هي المفتاح لابتكار أدوية ومواد جديدة من الصفر، لكنها اعتمدت تقليدياً على قاعدة صارمة: يجب أن يشبه التسلسل الجديد التسلسلات الموجودة في الطبيعة عن كثب.

لقد تحدى فريق من الباحثين في جامعة تكساس في دالاس هذه القاعدة. فقد طوروا نموذجاً حاسوبياً جديداً مصمماً لإنشاء تسلسلات بروتينية تنطوي لتأخذ شكلاً محدداً دون الحاجة إلى نسخ أي بروتين طبيعي. ويشير نهجهم، الذي فُصل في دراسة حديثة، إلى أن المسار نحو الشكل الصحيح ليس فريداً، وأن النموذج يمكنه تعلم بناء الهياكل مباشرة، متجاهلاً ترتيب الأحماض الأمينية بالكامل. ومن خلال تدريب نظامهم على الاهتمام فقط بالشكل النهائي ثلاثي الأبعاد، حققوا نتائج لا تقل دقة عن الأساليب الرائدة التي تركز على نسخ الطبيعة، مما يثبت أن البروتين لا يحتاج لأن يبدو مثل البروتين الطبيعي ليعمل مثله.

بنى الباحثون نموذجهم باستخدام نوع من الذكاء الاصطناعي يسمى الشبكة العصبية الرسومية. في هذا النظام، لا يُنظر إلى البروتين كمجرد قائمة من الحروف، بل كخريطة من النقاط المتصلة بخطوط. يمثل كل نقطة جزءاً من هيكل البروتين، وتصل الخطوط بين أقرب الجيران في الفضاء. يأخذ النموذج إحداثيات الشكل المستهدف كمدخل له، ويبدأ في تخمين أي الأحماض الأمينية يجب أن توجد عند كل نقطة. ويكمن الابتكار الجوهري في كيفية تعلم النموذج؛ فبدلاً من إخباره: "لقد خمنت الحرف الخطأ، حاول مرة أخرى"، يتم عرض الشكل الذي سيخلقه تخمينه على النموذج. يستخدم النموذج أداة قوية وموجودة مسبقاً لطي تسلسله المتوقع إلى بنية ثلاثية الأبعاد، ثم يقارن تلك النتيجة بالشكل المستهدف. وإذا لم تتطابق الأشكال، يقوم النموذج بتعديل تخميناته لتقليل الفرق. وتسمح هذه العملية للنموذج بالتعلم مباشرة من هندسة البروتين، متجاوزاً الحاجة إلى حفظ أو محاكة تسلسلات الأحماض الأمينية الأصلية الموجودة في الطبيعة.

ولاختبار هذه الفكرة، درب الباحثون نموذجهم على مجموعة واسعة من هياكل البروتينات من قاعدة بيانات عامة، حيث قاموا بتقطيعها إلى قطع أصغر ومتساوية لضمان التنوع. ثم طلبوا من النموذج تصميم تسلسلات لـ 224 شكلاً بروتينياً محدداً لم يره من قبل. ولكل شكل، أنتج النموذج تسلسلاً، تم طيه بواسطة نفس أداة التنبؤ لمعرفة مدى مطابقته للهدف. كانت النتائج مذهلة؛ فقد أنتج النموذج تسلسلات انطوت في هياكل بدقة لا تختلف إحصائياً عن ProteinMPNN، وهو أسلوب يحظى باحترام كبير ويركز على استعادة التسلسل الطبيعي الأصلي. وبينما كانت تسلسلات النموذج الجديد مختلفة جداً عن التسلسلات الطبيعية، إلا أن الأشكال التي شكلتها كانت متطابقة تقريباً مع الهدف.

وجدت الدراسة أن النموذج الجديد حقق دقة هيكلية تضاهي المعيار الصناعي، رغم أنه استعاد التسلسل الأصلي للأحماض الأمينية في أقل من 30 بالمئة من المرات، مقارنة بنحو 31 بالمئة للطريقة التقليدية. ولم يؤثر هذا الفارق في استعادة التسلسل على النتيجة الهيكلية. لاحظ الباحثون أنه بالنسبة للعديد من الأشكال المستهدفة، كانت هناك تسلسلات مختلفة متعددة يمكن أن تنتج نفس الطي. وفي بعض الحالات، تفوق النموذج الجديد حتى على التسلسل الطبيعي أو الطريقة التقليدية في أجزاء معينة من البروتين، مما يشير إلى أن الطبيعة لا تستخدم دائماً الحل الوحيد الممكن لشكل معين. وتشير النتائج إلى أن المتطلب الصارم لمحاكاة التسلسلات الطبيعية ليس ضرورياً لإنشاء بروتينات وظيفية.

يُظهر هذا العمل أن نموذجاً مدرباً بحت على الدقة الهيكلية يمكنه منافسة الأساليب المدربة على استعادة التسلسل. وأشار الباحثون إلى أن نهجهم يسمح بتصميم بروتينات لا توجد في الطبيعة، مما يفتح الباب لابتكار أدوات بيولوجية جديدة تماماً. ومع ذلك، فقد أقروا أيضاً بوجود قيود؛ فالنموذج يعتمد على دقة أداة الطي المستخدمة في التدريب، مما يعني أن أي أخطاء في تلك الأداة ستنتقل إلى التصاميم الجديدة. بالإضافة إلى ذلك، استخدمت الدراسة قطعاً بروتينية مبتورة، مما جعل من المستحيل أحياناً إعادة إنتاج هياكل كاملة ومعقدة. ورغم هذه القيود، تظل النتيجة الجوهرية قوية: يمكن لشكل البروتين أن يكون الدليل الأساسي لإنشائه، والتسلسل المحدد للأحماض الأمينية أكثر مرونة مما كان يُعتقد سابقاً. وتخلص الدراسة إلى أنه من خلال التركيز على الشكل النهائي بدلاً من الوصفة التاريخية، يمكن للعلماء توسيع آفاق تصميم البروتينات بما يتجاوز حدود التطور الطبيعي.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →