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.
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.
ملخص تقني: نموذج توليد بروتينات "من الصفر" عبر شبكات عصبية رسومية مدركة للبنية
بيان المشكلة تعتمد طرق تصميم البروتينات الحسابية الحالية، مثل ProteinMPNN، بشكل أساسي على تحسين استعادة التسلسل (sequence recovery) — أي القدرة على التنبؤ بتسلسل الأحماض الأمينية الأصلي بناءً على هيكل العمود الفقري. ورغم فعالية هذا النهج، إلا أنه يعتمد على بيانات تدريب مستمدة من بروتينات طبيعية موجودة بالفعل، مما يتعارض مع هدف توليد بروتينات "من الصفر" (de novo) (أي إنشاء تسلسلات قد لا تكون موجودة في الطبيعة). علاوة على ذلك، فإن الاستعادة العالية للتسلسل لا تضمن بالضرورة أن التسلسل المصمم سيطوي نفسه في التشكيل ثلاثي الأبعاد المطلوب. ويفترض المؤلفون أن استعادة التسلسل ليست شرطاً ضرورياً لتحقيق دقة هيكلية تنافسية، وأنه يجب تدريب النماذج لتتحسن مباشرة في الدقة الهيكلية بدلاً من محاكاة التسلسل.
المنهجية يقترح البحث شبكة عصبية رسومية (GNN) مدركة للبنية مصممة للتنبؤ بتسلسلات الأحماض الأمينية مباشرة من إحداثيات العمود الفقري للبروتين، مع التركيز على تحسين الدقة الهيكلية ثلاثية الأبعاد بدلاً من مطابقة التسلسل.
البنية: يتبع النموذج إطار عمل "المُشفر-المفكك" (encoder-decoder) مستوحى من ProteinMPNN، ولكنه معزز بوحدة تنبؤ بالبنية قابلة للاشتقاق.
المدخلات: يتم نمذجة إحداثيات العمود الفقري للبروتين (N, Cα, C, O) كـ "رسم بياني لـ k-أقرب جار" (k-NN) حيث تربط الحواف بين البقايا (residues) بناءً على القرب المكاني (مسافة Cα).
المُشفر (Encoder): يستخدم طبقات تمرير الرسائل ثنائية الاتجاه لتجميع الميزات المكانية والتسلسلية. تتضمن ميزات الحواف ترميزات "دالة الأساس الشعاعي" (RBF) للمسافات والتمثيلات الموضعية النسبية.
المفكك (Decoder): يقوم مفكك ذاتي الانحدار (autoregressive decoder) بتوليد تسلسل الأحماض الأمينية. وهو يعتمد في عمله على الهندسة الكاملة للعمود الفقاري (عبر ميزات المُشفر) ولكن فقط على البقايا التي تم فك تشفيرها سابقاً (عبر تمرير الرسائل المقنع).
حلقة التدريب القابلة للاشتقاق: الابتكار الجوهري هو دمج ESMFold كـ "عراف" (oracle) ثابت وقابل للاشتقاق داخل حلقة التدريب.
بدلاً من مقارنة التسلسل المتوقع بالتسلسل الأصلي (الذي لا يتوفر للأهداف المصممة من الصفر)، يتنبأ النموذج بتسلسل، ثم يمرره عبر ESMFold لتوليد بنية ثلاثية الأبعاد متوقعة، ويقارن هذه البنية بالعمود الفقري الحقيقي (ground-truth).
لتمكين الانتشار العكسي (backpropagation) عبر اختيار الرموز المنفصل (discrete token selection) في ESMFold، استخدم المؤلفون إعادة تمثيل "جمبل-سوفت ماكس" (Gumbel-Softmax reparameterization). يقوم هذا الإجراء بتحويل احتمالات الأحماض الأمينية المتوقعة إلى تمثيلات مستمرة و"ناعمة" يمكن لـ ESMFold معالجتها، مما يسمح بتدفق التدرجات (gradients) من الخطأ الهيكلي وصولاً إلى أوزان الشبكة العصبية الرسومية (GNN).
دالة الخسارة (Loss Function): هدف التدريب هو خسارة مركبة (L) تتكون من خمسة حدود:
Lstruct (الوكيل الهيكلي): حد سريع غير متعلق بالطي، يقدر الميل لولب/صفيحة (helix/sheet propensity) والقدرة على الكره المائي بناءً على هندسة العمود الفقري.
Lrep و Ldiv: عقوبات على التسلسلات المتكررة أو منخفضة التنوع.
Lcontact: خسارة الاحتواء التي تشجع الأحماض الأمينية الكارهة للماء في المواقع المدفونة.
Lgumbel−CE: الإشارة الهيكلية الأساسية. تقوم بحساب الـ RMSD بين البنية المتوقعة من ESMFold والعمود الفقري الأصلي، وتستخدم هذا الخطأ لإعادة وزن حد "الإنتروبيا المتقاطعة" (cross-entropy) عبر تقنية "تعدين البقايا الصلبة" (hard-residue mining). وهذا يعاقب خيارات التسلسل في المواضع التي تبتعد فيها البنية المتوقعة عن الهدف.
المساهمات الرئيسية
فك الارتباط بين استعادة التسلسل والدقة الهيكلية: يثبت البحث أن النموذج يمكنه تحقيق دقة هيكلية تضاهي الطرق الرائدة في استعادة التسلسل (مثل ProteinMPNN) دون الحاجة للتدريب على استعادة التسلسلات الأصلية.
الإشراف الهيكلي القابل للاشتقاق: التنفيذ الناجح لـ ESMFold كمكون قابل للاشتقاق ضمن حلقة تدريب الشبكة العصبية الرسومية، مما يسمح بالتحسين الشامل (end-to-end) لدقة التشكيل ثلاثي الأبعاد.
الحلول غير الفريدة: وجود أدلة على أن تسلسلات أحماض أمينية متعددة ومتميزة يمكنها الطي في نفس العمود الفقري المستهدف، مما يشير إلى أن العلاقة بين البنية والتسلسل ليست علاقة واحد لواحد.
القدرة على التوليد من الصفر (De Novo): إطار عمل قادر على التدريب على بروتينات غير طبيعية من خلال إزالة الاعتماد على تسميات التسلسل الأصلية، والاعتماد فقط على الإشراف الهيكلي.
النتائج تم تقييم النموذج على عينة متطابقة مكونة من 221 بروتيناً (تم تقليصها إلى 128 بقايا) مقابل ProteinMPNN والتسلسلات الأصلية.
المقاييس الهيكلية: حققت الشبكة العصبية المقترحة دقة هيكلية (RMSD، وTM-score، وGDT-TS) لا تختلف إحصائياً عن ProteinMPNN.
RMSD: 8.097 Å (للنموذج المقترح) مقابل 8.500 Å (لـ ProteinMPNN) مقابل 6.280 Å (للتسلسل الأصلي).
TM-score: 0.491 (للنموذج المقترح) مقابل 0.495 (لـ ProteinMPNN).
GDT-TS: 41.73 (للنموذج المقترح) مقابل 42.65 (لـ ProteinMPNN).
استعادة التسلسل: كما كان متوقعاً، سجلت الشبكة العصبية نسبة استعادة تسلسل أصلي أقل بكثير (0.282) مقارنة بـ ProteinMPNN (0.307)، مما يؤكد أن الدقة الهلية لا تتطلب محاكاة التسلسل.
دراسات الحالة: كشف تحليل "لكل بروتين" أن النموذجين يمتلكان نقاط قوة ونقاط ضعف مختلفة؛ فهما لا يفشلان في نفس الأهداف، مما يشير إلى أن التشابه الإجمالي يعكس نهجين مختلفين وفعالين بدلاً من كونهما تنبؤات متطابقة.
الأهمية والادعاءات يزعم المؤلفون أن عملهم يثبت أن استعادة التسلسل ليست شرطاً مسبقاً ضرورياً لتحقيق دقة هيكلية تنافسية في تصميم البروتين. ومن خلال تحويل هدف التدريب من استعادة التسلسل إلى التحسين الهيكلي المباشر، يمكن للنموذج توليد بروتينات "من الصفر" دون الاعتماد على قيود مساحة التسلسل الطبيعية.
يؤكد البحث على أن:
البروتينات يمكن أن تمتلك حلولاً متعددة غير فريدة لنفس العمود الفقري.
النماذج المدربة حصرياً على التشكيل الهيكلي يمكنها مضاهاة أداء النماذج المحسنة لاستعادة التسلسل.
هذا النهج يسمح بتدريب نماذج توليد البروتينات على بروتينات غير طبيعية، بشرست توفر متنبئ بنية قابل للاشتقاق.
القيود المعترف بها يشير المؤلفون إلى أن اعتمادهم على ESMFold لكل من الإشراف في التدريب والتقييم يعني أن أي تحيزات أو أخطاء متأصلة في ESMFold ستنتقل إلى نموذجهم. بالإضافة إلى ذلك، فإن استراتيجية التقطيع الثابت عند 128 بقايا، رغم فائدتها في تقليل التكرار، قد تحد من قدرة النموذج على إعادة إنتاج الهياكل التي تتطلب سلاسل أطول أو مواقع ارتباط محددة تُفقد بسبب التقطيع.