Parameter-Efficient Adaptation of Protein Language Models for Dual-Target Antimicrobial Peptide Discovery Under Strict Homology Constraints

يواجه العالم أزمة صامتة في خزائن الأدوية. فعلى مدى عقود، اعتمد الأطباء على جزيئات كيميائية صغيرة لقتل البكتيريا، لكن هذه البكتيريا بدأت تتعلم كيفية البقاء، وتطورت دفاعات تجعل أقوى عقاقيرنا بلا جدوى. تهدد هذه المقاومة المتزايدة بتحويل الالتهابات الروتينية إلى أحداث مهددة للحياة. واستجابة لذلك، يتطلع العلماء إلى ترسانة الطبيعة الخاصة: الببتيدات المضادة للميكروبات. هذه الببتيدات هي سلاسل قصيرة من الأحماض الأمينية، وهي وحدات بناء البروتينات، والتي تعمل كخط دفاع أول للجهاز المناعي في العديد من الكائنات الحية. وخلافًا للمضادات الحيوية التقليدية التي تستهدف آليات داخلية محددة، تعمل هذه الببتيدات عن طريق الهجوم جسديًا على الغلاف الخارجي للخلية البكتيرية، حيث تثقب فيه ثقوبًا حتى تنفجر الخلية. وهذا الأسلوب في الهجوم يصعب على البكتيريا مقاومته كثيرًا. ومع ذلك، هناك عقبة كبيرة؛ فبسبب وجود بعض الميزات المتشابهة بين الأغلفة الخارجية للخلايا البشرية والخلايا البكتيرية، غالبًا ما تهاجم هذه الببتيدات القوية خلايا الدم البشرية أيضًا، مما يسبب سمية تجعلها غير آمنة للاستخدام كأدوية.

لقد كان التحدي الذي يواجه الباحثين هو إيجاد طريقة لتصميم هذه الببتيدات بحيث تكون شرسة بما يكفي لقتل البكتيريا، ولكن لطيفة بما يكفي لترك الخلايا البشرية دون ضرر. ولفترة طويلة، عانت النماذج الحاسوبية في التمييز بينهما، وفشلت غالبًا عند مطالبتها بالتنبؤ بكيفية سلوك ببتيد جديد تجاه الخلايا البشرية مقابل البكتيريا. يقدم دراسة حديثة أجرتها رمشة جات وسيدة رافيا إجاز في الجامعة الوطنية لعلوم الحاسوب والتقنيات الناشئة في باكستان نهجًا جديدًا لهذه المشكلة. فقد طورتا نظامًا حاسوبيًا يتعلم كيفية رصد الفروق الدقيقة بين الببتيد الذي يقتل البكتيريا والببتيد الذي يضر البشر، مع ضمان أن النظام يتعلم قواعد عامة بدلاً من مجرد حفظ أمثلة محددة.

بنى الباحثون نظامهم فوق نموذج ذكاء اصطناعي ضخم وموجود مسبقًا يسمى ESM-2. كان هذا النموذج قد تدرب بالفعل على مئات الملايين من تسلسلات البروتين، مما منحه فهمًا عميقًا وبديهيًا لكيفية هيكلة البروتينات وكيفية سلوكها. ومع ذلك، فإن مجرد طلب التنبؤ بفعالية الدواء من هذا النموذج العملاق لم يكن ناجحًا بما يكفي، خاصة عند اختباره على تسلسلات جديدة لم يسبق رؤيتها؛ فقد كان النموذج جامدًا للغاية. ولإصلاح ذلك، أضاف الفريق طبقة تعلم صغيرة ومرنة فوق النموذج الضخم. تخيل النموذج الضخم كمكتبة واسعة من المعرفة لا يمكن إعادة كتابتها، والطبقة الجديدة كمجموعة من الملاحظات اللاصقة التي يمكن للباحثين الكتابة عليها. لقد قاموا بتعديل حوالي 0.70 بالمائة فقط من إجمالي المعلومات في النظام، وهي تقنية تُعرف باسم "التكيف الفعال للمعلمات". سمح هذا بتعليم النموذج القواعد المحددة للببتيدات المضادة للميكروبات دون كسر فهمه الأوسع لعلم الأحياء أو تطلب قدرات حوسبة هائلة.

كان الجزء الأصعب من المهمة هو تعليم الكمبيوتر كيفية الموازنة بين هدفين متضادين في آن واحد. كان على النظام أن يتعلم التنبؤ بمدى قدرة الببتيد على قتل البكتيريا، بينما يتعلم في الوقت نفسه التنبؤ بمدى سميته لخلايا الدم الحمراء البشرية. عادةً، عندما يحاول الكمبيوتر تعلم مهمتين صعبتين في وقت واحد، فإنه يصاب بالارتباك، وينخفض أداؤه في إحدى المهمتين أو كلتيهما. حل الباحثون هذه المشكلة من خلال منح الكمبيوتر طريقة لتقرير مقدار الانتباه الذي يجب أن يوليه لكل مهمة أثناء التعلم. فإذا كان النظام يعاني في تنبؤات السمية، فإنه سيقوم تلقائيًا بتحويل تركيزه لتحسين ذلك المجال، بدلاً من ترك المهمة الأسهل المتمثلة في التنبؤ بقتل البكتيريا تهيمن على عملية التعلم. سمحت هذه الموازنة الديناميكية للنظام بإتقان كلتا المهارتين دون أن تتدخل إحداهما في الأخرى.

عندما اختبر الفريق نظامهم الجديد، كانت النتائج تحسنًا ملحوظًا عن الطرق السابقة. لقد قيموا النموذج باستخدام اختبار صارم مصمم لمنع تسرب البيانات، حيث طُلب من الكمبيوتر التنبؤ بسلوك ببتيدات تختلف تمامًا عما رآه أثناء التدريب. في هذه الاختبارات الصارمة، نجح النظام الجديد في التنبؤ بقوة الببتيدات ضد بكتيريا الإشريكية القولونية (E. coli) بدرجة عالية من الدقة، متفوقًا بمراحل على الطرق القديمة التي اعتمدت على نماذج مجمدة أو تخمينات خطية بسيطة. والأهم من ذلك، أنه تعلم أيضًا التنبؤ بالسمية البشرية بموثوقية أكبر من ذي قبل، وهي مهمة كانت قد استعصت حتى على النماذج الأكثر تقدمًا. لقد تمكن النظام من إيجاد نمط واضح في البيانات يربط بين السمات الهيكلية المحددة للببتيدات وملفات سلامتها.

ولإثبات أن النظام يمكن أن يكون مفيدًا في العالم الحقيقي، استخدمه الباحثون لفحص مكتبة تضم 749 ببتيدًا مصممًا حديثًا لم يوجد من قبل. قام الكمبيوتر بتحليل كل منها، متنبئًا بكل من قدرتها على قتل البكتيريا وإمكانية إلحاق الضرر بالخلايا البشرية. ومن هذه المجموعة الكبيرة، نجح النظام في عزل حفنة من المرشحات الواعدة للغاية. أظهرت أفضل العناصر أداءً لافتًا في التوازن: فقد تم التنبؤ بأنها فعالة للغاية في قتل البكتيريا مع بقائها آمنة تمامًا للخلايا البشرية. أحد أفضل المرشحين تم التنبؤ بأن لديه مؤشرًا علاجيًا، وهو مقياس للسلامة بالنسبة للفعالية، يزيد عن 144. وهذا يعني أن الكمية اللازمة لقتل البكتيريا أصغر من 144 مرة من الكمية التي قد تسبب ضررًا للخلايا البشرية. في المقابل، حدد النظام بشكل صحيح واستبعد ببتيدات أخرى كانت سامة للغاية، مستبعدًا تلك التي من المرجح أن تسبب ضررًا لدم الإنسان.

يوضح هذا العمل أنه من خلال تكييف نماذج الذكاء الاصطناعي الضخمة والمسبقة التدريب بعناية، يمكن للعلماء فتح قدرات جديدة لتصميم أدوية منقذة للحياة. وتظهر الدراسة أنه من الممكن تعليم الكمبيوتر فهم الخط الفاصل الدقيق بين الدواء المنقذ للحياة والمادة السامة، بشرط أن يتم تدريب النظام بالقيود وآليات التوازن الصحيحة. وبينما تعتمد هذه النتائج حاليًا على عمليات محاكاة حاسوبية وتتطلب المزيد من الاختبارات المختبرية لتأكيد سلامتها وفعاليتها في الكائنات الحية، فإن الدراسة توفر أداة قوية لتسريع اكتشاف الجيل القادم من المضادات الحيوية. إنها تقدم مسارًا للمضي قدمًا في مكافحة البكتيريا المقاومة للأدوية، مما يشير إلى أن مستقبل الطب قد يكمن في ببتيدات ذكية بما يكفي لتعرف الفرق بين الصديق والعدو.