← أحدث الأبحاث
💻 المعلوماتية الحيوية

pLM-bVAE: protein language model-enhanced binary representation improves quantum annealing-based protein sequence design

تقدم الورقة البحثية pLM-bVAE، وهو مشفر تلقائي متغير ثنائي معزز بنموذج لغوي للبروتين، والذي يعمل على تحسين دقة الترميز الثنائي وإعادة بناء التسلسل، مما يمكّن التلدين الكمي من توليد تسلسلات بروتينية ذات درجات أعلى وأكثر تنوعاً مقارنة بالطرق القياسية.

المؤلفون الأصليون: Ueda, H. H., Tucs, A., Tsuda, K., Umetsu, M., Saito, Y.

نُشر 2026-11-06
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Ueda, H. H., Tucs, A., Tsuda, K., Umetsu, M., Saito, Y.

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

إن تصميم بروتينات جديدة يشبه محاولة العثور على مفتاح واحد مثالي في غرفة مليئة بمليارات الأقفال. فالبروتينات هي الآلات الجزيئية التي تدفع عجلة الحياة، وتتحدد وظيفتها من خلال الترتيب المحدد لوحدات بنائها، والتي تسمى الأحماض الأمينية. ولأن هناك طرقًا لا حصر لها لترتيب هذه الوحدات، فإن البحث عن بروتين ذي سمة مرغوبة — مثل الارتباط بفيروس أو التوهج في الظلام — هو مهمة بالغة التعقيد. وقد لجأ العلماء إلى الحواسيب للمساعدة في التنقل عبر هذا الفضاء الشاسع، باستخدام نوع خاص من الحوسبة يسمى "التلدين الكمي" (quantum annealing). صُممت هذه التكنولوجيا لحل الألغاز المعقدة من خلال البحث عن حالة الطاقة الأدنى، والتي تقابل في هذا السياق أفضل تسلسل ممكن للبروتين. ومع ذلك، لكي يعمل الحاسوب الكمي على هذه المشكلة، يجب ترجمة تسلسلات البروتين إلى لغة يفهمها الجهاز: وهي سلسلة من الأصفار والآحاد.

يكمن التحدي في عملية الترجمة هذه. فإذا كان التحويل من تسلسل بروتيني إلى سلسلة من الأصفار والآحاد غير متقن، يفقد الحاسوب العلاقات الدقيقة بين البروتينات المختلفة، وغالبًا ما تكون النتيجة النهائية تصميمًا رديئًا. لفترة من الوقت، استخدم الباحثون أداة تسمى "المشفّر التلقائي التبايني الثنائي" (binary variational autoencoder) للتعامل مع هذه الترجمة. فكر في هذه الأداة كمترجم يضغط جملة طويلة ومعقدة إلى رمز قصير ثم يحاول إعادة كتابة الجملة من ذلك الرمز. ورغم أن هذه الطريقة تعمل، إلا أنها بُنيت في الأصل للغة البشر، وليس لقواعد البروتينات الفريدة. وقد تساءل الباحثون وراء هذه الدراسة، بقيادة هيرومي إتش أودا ويوتاكا سايتو، عما إذا كان بإمكانهم تحسين هذا المترجم من خلال منحه فهمًا أعمق للبروتينات قبل أن يبدأ عمله.

وللإجابة على ذلك، طور الفريق نظامًا جديدًا أطلقوا عليه اسم pLM-bVAE. فقد أخذوا أداة الترجمة الموجودة وعززوها عبر تغذيتها بمعلومات من "نموذج لغة البروتين". وهذا النموذج هو برنامج حاسوبي ضخم قرأ بالفعل ملايين التسلسلات البروتينية وتعلم القواعد التي تجعلها تتشابك معًا، تمامًا كما يتعلم الطفل قواعد اللغة من خلال الاستماع إلى آلاف المحادثات. ومن خلال السماح لهذه المعرفة المسبقة بتوجيه عملية الترجمة، ينشئ النظام الجديد رمزًا أكثر دقة ليعمل عليه الحاسوب الكمي. واختبر الباحثون هذا النهج على ثلاثة أنواع مختلفة من البيانات البروتينية: سلاسل قصيرة ترتبط بالجهاز المناعي، وأجزاء من الأجسام المضادة التي تستهدف الخلا السرطانية، والأغلفة الخارجية لفيروس يُستخدم في العلاج الجيني. وفي كل حالة، أثبت النظام الجديد تفوقه؛ فقد تمكن من أخذ تسلسل بروتيني، وتحويله إلى رمز ثنائي، ثم تحويل ذلك الرمز مرة أخرى إلى التسلسل البروتيني الأصلي بدقة أكبر بكثير من الطريقة القديمة.

لم يكن التحسن في الدقة فحسب، بل في جودة البحث ذاتها. فعندما استخدم الفريق نظامهم الجديد لتوجيه الحاسوب الكمي في تصميم بروتينات جديدة، كانت النتائج مذهلة. فقد أنتج الحاسوب عددًا أكبر بكثير من تسلسلات البروتين عالية الأداء. والأهم من ذلك، أن هذه التصميمات الجديدة كانت أكثر تميزًا عن الأمثلة التي رآها الحاسوب أثناء تدريبه. ففي المحاولات السابقة، كان الحاسوب غالبًا ما يعلق في إعادة تدوير الأنماط المألوفة، لكن النظام الجديد شجعه على الاستكشاف بشكل أبعد، ليجد حلولًا مبتكرة وفعالة وفريدة في آن واحد. كما لاحظ الباحثون أن عملية البحث أصبحت أكثر تركيزًا؛ فبدلاً من الت wandered بلا هدف عبر الاحتمالات، اتبع الحاسوب الكمي مسارًا أوضح نحو الحلول الأفضل، وهو تحول مرتبط مباشرة بجودة رموز البروتين التي قدمها النظام الجديد.

يُظهر هذا العمل أن الطريقة التي نترجم بها المعلومات البيولوجية إلى كود رقمي أمر بالغ الأهمية. فمن خلال استعارة المعرفة العميقة بكيفية تطور البروتينات ووظائفها طبيعيًا، خلق الباحثون جسرًا يسمح للحواسيب الكمية بالعمل بفعالية أكبر بكثير في مجال البيولوجيا. لا تدعي الدراسة أنها حلت مشكلة تصميم البروتينات تمامًا، لكنها تُظهر خطوة واضحة وقابلة للقياس إلى الأمام. ويشير المنهج الجديد إلى أن الجمع بين قدرة التعرف على الأنماط للذكاء الاصطناعي الحديث وسرعة التحسين الخام للحوسبة الكمية يمكن أن يسفر عن نتائج لا يستطيع أي منهما تحقيقها بمفرده. ومع تقدم هذا المجال، يوفر هذا النهج مسارًا واعدًا لهندسة الجيل القادم من الأدوية والأدوات البيولوجية، محولًا الفضاء الشاسع والفوضوي لاحتمالات البروتين إلى مشهد يمكن التنقل فيه.

غارق في أبحاث مجالك؟

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

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 bioinformatics →