← أحدث الأبحاث
💻 المعلوماتية الحيوية

Affinity-guided design of PDZ-binding peptides in a shared latent space

تقدم هذه الورقة طريقة للتعلم العميق تستخدم فضاءً كامناً مشتركاً لتقاربات PDZ-PBM لصياغة وتوجيه تصميم الببتيدات لأهداف الارتباط أحادية الهدف، والارتباط الواعي بالأهداف غير المستهدفة، والارتباط مزدوج الهدف بشكل تحليلي دون الحاجة إلى إعادة تدريب النموذج.

المؤلفون الأصليون: Yamahata, I., Shimamura, T., Hayashi, S.

نُشر 2026-11-13
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

المؤلفون الأصليون: Yamahata, I., Shimamura, T., Hayashi, S.

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

داخل كل خلية حية، تعمل البروتينات كعمال ورسل ودعامات هيكلية تحافظ على استمرارية الحياة. وللقيام بمهامها، تحتاج هذه البروتينات غالبًا إلى التشبث ببعضها البعض، مكونةً فرقًا مؤقتة أو دائمة. هذا التشبث ليس عشوائيًا؛ بل يعتمد على أشكال وإشارات كيميائية محددة، تمامًا مثل مفتاح يتناسب مع قفل. أحد أكثر الطرق شيوعًا لتعرف البروتينات على بعضها البعض يتضمن تسلسلات قصيرة تشبه الذيول في نهاية سلسلة البروتين. هذه الذيول، المعروفة باسم "نماذج ربط PDZ"، تنزلق في جيوب متطابقة على بروتينات أخرى تسمى "نطاقات PDZ". يساعد هذا الاتصال في تنظيم الخلية، وتحديد مكان ذهاب البروتين والشركاء الذين سينضم إليهم. ولأن قواعد التعرف هذه تتداخل، يمكن لتسلسل ذيل واحد أحيانًا أن يرتبط بعدة شركاء مختلفين، مما يخلق شبكة معقدة من التفاعلات التي يود العلماء لو استطاعوا تعديلها. إذا تمكن الباحثون من تعديل هذه الذيول الصغيرة، فقد يتمكنون من إعادة توجيه البروتينات إلى مواقع جديدة أو إجبارها على تكوين فرق جديدة، كل ذلك دون تغيير الهيكل الضخم لبقية البروتين.

كان التحدي يكمن في أن تصميم هذه الذيول الجديدة أمر صعب. فغالبًا ما تعاني الطرق الحاسوبية التقليدية من الموازنة بين هدفين متنافسين: جعل البروتين يرتبط بقوة بشريك واحد محدد مع تجنب الآخرين الذين يشبهونه. وعادة ما يتطلب حل ذلك بناء نموذج حاسوبي منفصل ومخصص لكل بروتين مستهدف، وهي عملية بطيئة ومتكررة. يقدم بحث جديد أجراه باحثون من جامعة ناغويا ومعهد العلوم في طوكيو مسارًا مختلفًا. فبدلاً من بناء نماذج عديدة منفصلة، قام الفريق بتدريب نظام ذكاء اصطناعي واحد لفهم لغة تفاعلات البروتين هذه. ومن خلال رسم خرائط لكل من جيوب البروتين وتسلسلات الذيول في مساحة رياضية مشتركة وغير مرئية، وجد الفريق أنه يمكنهم توجيه عملية التصميم ببساطة عبر الإشارة إلى اتجاهات مختلفة داخل تلك المساحة.

بدأ الباحثون بتغذية نظامهم بمجموعة بيانات ضخمة تضم أكثر من 57,000 تفاعل مقاس بين نطاقات PDZ وذيول الارتباط الخاصة بها. تعلم النظام كيفية التنبؤ بمدى قوة التصاق ذيل معين بجيب معين، وترجمة هذه القياسات البيولوجية إلى خريطة مشتركة حيث تقع التفاعلات المتشابهة بالقرب من بعضها البعض. وبمجرد بناء هذه الخريطة، لم يكن الفريق بحاجة إلى إعادة تدريب النظام لتغيير الهدف. فمن أجل العثور على ذيل يرتبط بقوة بهدف واحد فقط، قاموا ببساء البحث نحو النقطة على الخريطة التي تمثل ذلك الهدف. وللعثور على ذيل يرتبط بهدف ما ولكنه يتجاهل شريكًا آخر مشابهًا وغير مرغوب فيه، وجهوا البحث نحو اتجاه يعظم المسافة بين الاثنين. وللعثبو على ذيل يرتبط بشكل جيد بهدفين مختلفين، استهدفوا المساحة الواقعة بينهما تمامًا.

كانت نتائج هذا النهج مذهلة. فعندما طلب الفريق من النظام إعادة تصميم ذيل معروف ليرتبط بقوة أكبر ببروتين معين، أنتج الكمبيوتر قائمة من أفضل المرشحين. وعند اختبار هؤلاء المرشحين مقابل مكتبة واسعة تضم أكثر من 100,000 تسلسل تم قياسها سابقًا، كان الخيار الأفضل من الطريقة الجديدة هو الأفضل أداءً في المكتبة بأكملها. علاوة على ذلك، وقع 84 من بين أفضل 100 مرشح اقترحها الأسلوب الجديد ضمن أفضل 1% من جميع التفاعلات المقاسة تجريبيًا. وقد تجاوز هذا الأداء الطرق الحالية بشكل كبير، والتي وجدت 64 مرشحًا فقط في تلك الفئة العليا. كما نجح النظام أيضًا عندما طُلب منه تصميم ذيول جديدة تمامًا مكونة من عشر بقايا من الصفر لأربعة بروتينات مختلفة، حيث أنتج باستمرار تسلسلات سجلت درجات أعلى في محاكاة الكمبيوتر لقوة الارتباط مقارنة بالأدوات الرائدة الأخرى.

كما أظهرت الدراسة مرونة هذا النموذج الواحد. فعندما طلب الباحثون من النظام تصميم ذيل من شأنه أن يرتبط ببروتين واحد مع تجنب نظير مشابه له، أظهرت المرشحات الناتية تفضيلًا واضحًا للهدف المقصود على حساب الآخر غير المرغوب فيه في المحاكاة. وعلى العكس من ذلك، عندما طُلب منه الارتباط ببروتينين مختلفين في آن واحد، أنتج النظام ذيولًا أدت أداءً جيدًا لكليهما، حيث استقرت في المساحة الواقعة بين تصميمي الهدف الواحد. وقد قام الباحثون بتصور هذه النتائج من خلال رسم التسلسلات المولدة على كرة، مما أظهر أن أهداف التصميم المختلفة دفعت المرشحين بشكل طبيعي إلى مناطق متميزة على الخريطة.

بينما تعد عمليات محاكاة الكمبيوتر والمقارنات مع البيانات الموجودة واعدة للغاية، يشير المؤلفون إلى أن الذيول المصممة حديثًا لم تُختبر بعد في المختبر (الجانب الرطب) لتأكيد سلوكها الفيزيائي. يعتمد النجاح الحالي على دقة تنبؤات الكمبيوتر وجودة بيانات التدريب، والتي تتضمن العديد من التفاعلات الضعيفة جدًا بحيث يصعب قياسها بدقة. ومع ذلك، فإن هذا العمل يثبت أن الفهم المشترك والواحد لارتباط البروتين يمكن استخدامه للتنقل في تحديات التصميم المعقدة دون البدء من الصفر في كل مرة. ومن خلال التعامل مع تصميم البروتين كمسألة تتعلق بإيجاد الاتجاه الصحيح في مساحة مشتركة، يوفر هذا الأسلوب طريقة مبسطة لهندسة الروابط الجزيئية التي تمسك خلايانا، مما قد يفتح الباب أمام تحكم أكثر دقة في كيفية تفاعل البروتينات في المستقبل.

غارق في أبحاث مجالك؟

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

جرّب Digest →