← أحدث الأبحاث
🧬 علم الوراثة

Iterative Refinement for Structural Optimization of De Novo Protein Sequences

تقدم هذه الورقة إجراءً للتحسين التكراري يعمل على تحسين تسلسلات البروتين المصممة حديثاً (de novo) عن طريق استبدال الأحماض الأمينية لتقليل الخطأ الهيكلي، محققاً انخفاضاً ذا دلالة إحصائية بنسبة 43.6% في متوسط جذر متوسط مربع الانحراف (RMSD) مقارنة بتنبؤات الشبكة العصبية الرسومية (GNN) الأولية.

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

البروتينات هي محركات الحياة، وهي آلات جزيئية دقيقة تنطوي لتتخذ أشكالاً ثلاثية الأبعاد معقدة لتؤدي كل مهمة داخل الخلية الحية. إن الشكل المحدد الذي يتخذه البروتين يحدد ما يمكنه القيام به، تماماً كما يحدد شكل المفتاح أي قفل يمكنه فتحه. لعقود من الزمن، كافح العلماء للتنبؤ بدقة بكيفية التواء وانثناء سلسلة من الأحماض الأمينية —وهي لبنات بناء البروتينات— لتتحول إلى شكلها النهائي الوظيفي. وفي السنوات الأخيرة، حقق الذكاء الاصطناعي خطوات رائعة في حل لغز "الطي" هذا، مما سمح للحواسيب بتخمين شكل البروتين من تسلسله بدقة عالية. ومع ذلك، فإن التحدي العكسي أصعب بكثير: وهو تصميم تسلسل جديد من الأحماض الأمينية التي ستنطوي لتتخذ شكلاً معيناً مرغوباً فيه من الصفر. يُعرف هذا باسم "طي البروتين العكسي"، وبينما يمكن للذكاء الاصطناعي توليد المرشحين بسرعة، فإن الهياكل الناتجة غالباً ما تحتوي على أخطاء صغيرة. وفي عالم تطوير الأدوية أو البيولوجيا التركيبية، يمكن حتى لانحراف طفيف في شكل البروتين أن يجعله عديم الفائدة أو خطيراً، مما يجعل البحث عن الدقة الهيكلية المثالية عقبة حرجة.

لقد طور فريق من الباحثين في جامعة تكساس في دالاس طريقة جديدة لإصلاح هذه العيوب بعد إتمام التصميم الأولي. فبدلاً من محاولة الحصول على التسلسل المثالي من المحاولة الأولى، فإنهم يعاملون البروتين الذي تم إنشاؤه بواسطة الحاسوب كمسودة أولية تحتاج إلى تحرير. يبدأ نهجهم بتسلسل أولي تم إنشاؤه بواسطة نموذج ذكاء اصطناعي متخصص مصمم لفهم هياكل البروتين. ثم يخضع هذا التخمين الأول لعملية صقل صارمة وخطوة بخطوة؛ حيث يأخذ الحاسوب التسلسل، ويغير حمضاً أمينياً واحداً في كل مرة إلى نوع مختلف، ويختبر فوراً ما إذا كانت هذه النسخة الجديدة تنطوي لتصبح أقرب إلى الشكل المستهدف. يقوم الحاسوب بذلك عبر محاكاة عملية الطي آلاف المرات، والتحقق مما إذا كان الشكل الجديد أفضل من القديم. ومن الأهمية بمكان أن النظام لا يقبل التغيير إلا إذا أدى إلى تحسين الهيكل العام دون التسبب في انزياح جزء قريب من البروتين بعيداً جداً عن موضعه المقصود. وهذا يضمن أن إصلاح جزء واحد من الجزيء لا يؤدي بالضرورة إلى إفساد جزء آخر.

اختبر الباحثون إجراء الصقل التكراري هذا على مجموعة مكونة من 224 بروتيناً مختلفاً. وقارنوا النتائج بالتنبؤات الأصلية للذكاء الاصطناعي، وبأداة تصميم موجودة وشائعة تسمى ProteinMPNN، وبالتسلسلات الطبيعية الموجودة في الطبيعة. كانت النتائج مذهلة: فقد قللت عملية الصقل متوسط الخطأ في شكل البروتين بنسبة تقارب النصف. وتحديداً، انخفضت المسافة بين الهيكل المتوقع والشكل المستهدف من متوسط 8.097 أنجستروم إلى 4.570 أنجستروم. ولوضع هذا المقياس في المنظور، فإن الأنجستروم هو جزء من عشرة مليارات من المتر، وهي مسافة صغيرة جداً لدرجة أن عرض شعرة الإنسان يبلغ حوالي 500,000 أنجستروم. كان التحسن كبيراً بما يكفي ليكون مؤكداً من الناحية الإحصائية، متفوقاً على أفضل الطرق السابقة بفارق كبير. ولم تكن التسلسلات المنقحة أقرب إلى الشكل المطلوب من التخمينات الأولية فحسب، بل كانت أيضاً أكثر دقة بشكل ملحوظ من تلك التي أنتجتها الأداة البديلة الرائدة، ProteinMPNN.

ومع ذلك، كشفت الدراسة أيضاً عن مقايضات وقيود مهمة. فالعملية مكلفة حاسوبياً، إذ تتطلب من الحاسوب تشغيل آلاف عمليات محاكاة الطي لكل بروتين واحد للعثور على أفضل التعديلات. علاوة على ذلك، ولأن الطريقة تركز كلياً على ضبط الشكل، فإن تسلسل الأحماض الأمينية النهائي غالباً ما يبدو مختلفاً جداً عن البروتينات الطبيعية، مما قد يجعل النماذج الهيكلية الناتجة أصعب في التنبؤ بها بدقة من قبل نماذج الذكاء الاصطناعي الأخرى. كما لاحظ الباحثون أن طريقتهم تعمل بشكل أفضل على البروتينات التي تقع ضمن حد معين من الحجم؛ فبالنسبة للبروتينات الأطول التي تم تقصيرها اصطناعياً للاختبار، كانت النتائج أقل اتساقاً لأن الأجزاء المفقودة من الجزيء منعت الهيكل من التكون بشكل صحيح في عزله. ورغم هذه القيود، يوضح هذا العمل أن خطوة "تلميع" ما بعد التصميم يمكن أن تحسن جودة البروتينات الاصطناعية بشكل كبير. فمن خلال قبول حقيقة أن التخمين الأول نادراً ما يكون مثالياً والعمل على صقله بشكل منهجي، يمكن للعلماء الآن توليد بروتينات مبتكرة (de novo) أكثر دقة من الناحية الهيكلية، مما يقرب حلم تصميم آلات جزيئية مخصصة خطوة أخرى من الواقع.

غارق في أبحاث مجالك؟

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

جرّب Digest →