Seq2DomML: Protein Domain Boundary Prediction from Bacterial Protein Sequences Using a Machine Learning Framework

تُعد البروتينات هي محركات الحياة، وهي آلات جزيئية متناهية الصغر تنطوي لتتخذ أشكالاً معقدة للقيام بكل وظيفة داخل الخلية. ولفهم كيفية عمل البروتين، يحتاج العلماء غالباً إلى دراسة شكله بتفاصيل دقيقة للغاية، وهي عملية تتطلب عادةً عزل البروتين وتبلوره. ومع ذلك، فإن العديد من البروتينات تكون طويلة جداً أو "رخوة" للغاية بحيث لا يمكن دراستها كقطعة واحدة. فهي غالباً ما تُبنى من عدة وحدات مستقرة ومتميزة تسمى "نطاقات" (domains)، متصلة بمناطق مرنة وغير منظمة تعمل مثل المفصلات أو الفواصل. وللحصول على صورة واضحة لنطاق واحد، يجب على الباحثين قطع البروتين عند النقاط الصحيحة، وإزالة الأجزاء الرخوة مع الحفاظ على الأجزاء المستقرة سليمة. ويعد العثور على نقاط القطع هذه أمراً صعباً لأن التعليمات الخاصة بمكان القطع مخفية في تسلسل الأحماض الأمينية للبروتين، وبدون معرفة البنية ثلاثية الأبعاد، يبدو الأمر كمن يحاول العثور على فواصل طائرة ورقية مطوية دون أن يرى الورقة مفرودة من قبل.

لعقود من الزمن، اعتمد العلماء على قواعد بيانات تقارن تسلسل البروتين بمكتبة من البروتينات المعروفة والمدروسة جيداً لتخمين أين قد تكون هذه النطاقات. هذا النهج يعمل بشكل جيد عندما يكون البروتين مشابهاً لشيء موجود بالفعل في المكتبة، ولكنه يفشل تماماً مع البروتينات الجديدة أو غير العادية التي ليس لها أقارب معروفون. وقد طور فريق من الباحثين في جامعة ويلفريد لورييه أداة جديدة تسمى Seq2DomML تتجاوز هذا القصور. فبدلاً من البحث عن تطابقات في مكتبة من البروتينات المعروفة، يتعلم هذا النظام الجديد التعرف على الأنماط الكيميائية والفيزيائية الدقيقة في التسلسل التي تشير إلى الحدود بين النطاقات المستقرة والروابط المرنة. ومن خلال تدريب نموذج حاسوبي على آلاف البروتينات البكتيرية التي عُرفت هياكلها بالفعل، أنشأ الباحثون نظاماً يمكنه التنبؤ بمكان قطع البروتين بناءً على تسلسل أحماضه الأمينية فقط، حتى لو لم يسبق رؤية هذا البروتين من قبل.

بدأ الباحثون بجمع مجموعة بيانات ضخمة من البروتينات البكتيرية التي تم حل بنيتها باستخدام علم البلورات بالأشعة السينية، وهي تقنية تكشف عن الترتيب الدقيق للذرات في الفراغ ثلاثي الأبعاد. وقاموا بتصفية هذه القائمة لإزالة البروتينات شديدة التشابه فيما بينها أو تلك التي تنتمي إلى مجموعات محددة تتصرف بشكل مختلف، تاركين معهم ما يقرب من 7,600 سلسلة بروتينية فريدة. ولكل سلسلة من هذه السلاسل، استخدموا قاعدة بيانات هيكلية موثوقة لتحديد كل حمض أميني بدقة، سواء كان جزءاً من نطاق مستقر أو جزءاً من منطقة مرنة مثل الرابط أو الذيل. ولجعل هذه الحدود أسهل في التعلم بالنسبة للحاسوب، قاموا بتوسيع العلامات قليلاً للمناطق المرنة، حيث عوملت كقطع قصيرة بدلاً من كونها نقاطاً مفردة.

بعد ذلك، قام الفريق بترجمة التسلسل الخام للأحماض الأمينية إلى مجموعة غنية من الأوصاف الرقمية لكل موضع في البروتين. وقد تضمن ذلك معلومات حول الطبيعة الكيميائية لكل حمض أميني، وموقعه داخل السلسلة، وكيف يمكن أن يتفاعل مع جيرانه. نتج عن ذلك ما يقرب من 2,400 ميزة مختلفة لكل حمض أميني بمفرده. ولإدارة هذا التعقيد، استخدم الباحثون عملية من خطوتين لاختيار الميزات الأكثر فائدة؛ أولاً، قاموا بإزالة الميزات الزائدة عن الحاجة أو غير ذات الصلة. ثم استخدموا خوارزمية تطورية، وهي طريقة تحاكي الانتقاء الطبيعي، لاختبار آلاف التوليفات المختلفة من الميزات للعثور على المجموعة المحددة التي تسمح للحاسوب بإجراء التنبؤات الأكثر دقة.

إن جوهر نظامهم هو نوع من الذكاء الاصطناعي يُعرف باسم نموذج الذاكرة الطويلة قصيرة المدى ثنائي الاتجاه (bidirectional long short-term memory). هذا النموذج مصمم لمعالجة التسلسلات، مما يسمح له بفهم أن هوية حمض أميني معين لا تعتمد فقط على جيرانه المباشرين، بل على السياق الأوسع للسلسلة بأكملها. تم تدريب النموذج للتنبؤ بما إذا كان كل حمض أميني ينتمي إلى نطاق مستقر أو منطقة مرنة. وللتعامل مع حقيقة أن المناطق المرنة نادرة جداً مقارنة بالمناطق المستقرة، عدل الباحثون عملية التدريب لإعطاء اهتمام إضافي لهذه الحدود التي يصعب العثور عليها. وبعد اختبار وتعديل مكثفين، استقروا على تكوين يوازن بين الحاجة إلى إيجاد جميع المناطق المرنة دون تصنيف الأجزاء المستقرة خطأً على أنها مرنة.

عندما اختبر الفريق أداة جديدة على مجموعة من البروتينات التي لم يسبق لها رؤيتها من قبل، كانت النتائج واعدة. فقد نجح النموذج في تحديد حدود النطاقات بدرجة عالية من الدقة، متفوقاً على العديد من الأدوات الراسخة التي تعتمد على مقارنة التسلسلات بالعائلات المعروفة. وبينما كانت الأدوات القديمة أفضل في إيجاد كل منطقة مرنة ممكنة، إلا أنها كانت ترتكب أخطاءً عبر تصنيف الأجزاء المستقرة والمطوية كأجزاء مرنة، مما قد يؤدي إلى نتائج تجريبية سيئة إذا حاول عالم قطع البروتين عند تلك النقاط. في المقابل، كان نظام Seq2DomML أكثر انتقائية، حيث حدد النطاقات المستقرة والروابط المرنة بدقة أكبر. وهذا يعني أنه عندما يستخدم عالم هذه الأداة لتقرير مكان قطع البروتين، فإنه أقل عرضة لتدمير وحدة وظيفية عن طريق الخطأ.

كما قام الباحثون بتصور كيف تبدو تنبؤاتهم عند رسمها على هياكل بروتينية ثلاثية الأبعاد فعلية. وفي الحالات التي فشلت فيها الأدوات الأخرى في التعرف على نطاق ما بسبب عدم وجود أقارب معروفين له، نجح Seq2DomML في تحديد المناطق المستقرة والمطوية بشكل صحيح. وفي أحد الأمثلة، رأت الأدوات الموجودة جزءاً كبيراً من البروتين كبنية غير منظمة وغير مفيدة، بينما حدد النموذج الجديد بشكل صحيح أنه نطاق متميز ومستقر. يشير هذا إلى أن الأداة يمكنها إيجاد النظام في التسلسلات التي تعتبرها الطرق الأخرى عشوائية أو غير منظمة. لم يكن النموذج يحصل دائماً على العدد المثالي للنطاقات، لكنه قدم دليلاً أكثر توازناً وموثوقية لأماكن إجراء القطوع مقارنة بالطرق القياسية الحالية.

تخلص الدراسة إلى أن هذا النهج القائم على التسلسل يقدم طريقة جديدة قيمة لتصميم تجارب البروتين، لا سيالما للبروتينات غير المفهومة جيداً أو التي تفتقر إلى أقارب معروفين. ومن خلال توفير خريطة أكثر دقة لانتهاء النطاقات المستقرة وبداية المناطق المرنة، يمكن لهذه الأداة مساعدة العلماء على توفير الوقت والموارد عن طريق تقليل عدد التجارب الفاشلة المطلوبة للعثور على قطعة البروتين المناسبة للدراسة. ويشير الباحثون إلى أنه بينما يعد النموذج خطوة كبيرة للأمام، فإن العمل المستقبلي سيركز على تحسين قدرته على اكتشاف الحدود واختبار ما إذا كان يعمل بنفس الكفاءة على البروتينات من كائنات حية أخرى بخلاف البكتيريا. والهدف النهائي هو جعل عملية حل هياكل البروتينات أكثر كفاءة، مما يسمح للعلماء بفهم آليات الحياة حتى عندما تكون المخططات مفقودة.