Automated in situ CryoET Structure Determination with a Self-Configuring Workflow
تقدم هذه الورقة إطار عمل مؤتمت يدمج كاشف التعلم العميق ذاتي التكوين Octopi مع سير عمل py2rely المعياري لتمكين تحديد البنية في الموقع بدقة عالية (3-20 أنغستروم) عبر التصوير المقطعي الإلكتروني بالتبريد لمختلف العينات البيولوجية بأقل قدر من التدخل الخبير.
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 مدينة صاخبة من الآلات الجزيئية في ثلاثة أبعاد، حيث تقوم ببناء البروتينات، ونسخ الشفرة الوراثية، ونقل المواد. ولفهم كيفية عمل الحياة عند مستواها الأكثر جوهرية، يحتاج العلماء إلى رؤية هذه الآلات ليس فقط كأجزاء معزولة، بل كما توجد في بيئتها الطبيعية المزدحمة. لسنوات طويلة، استخدم الباحثون تقنية تسمى "التصوير الإلكتروني المقطعي بالتبريد" (cryo-electron tomography) لالتقاط صور ثلاثية الأبعاد لهذه الخلايا المجمدة. تسمح هذه الطريقة لهم بالنظر داخل المشهد الخلوي، لكن تحويل تلك الصور الخام إلى هياكل واضحة وعالية الدقة ظل عملية يدوية صعبة؛ الأمر يشبه امتلاك مكتبة من الصور الفوتوغرافية الضبابية حيث يختلف كل كتاب قليلاً عن الآخر؛ فلكي تتمكن من قراءة النص، يجب على خبير بشري أن يختار كل كتاب بعناية، ويقوم بمحاذاته مع الكتب الأخرى، ويشحذ الصورة يدوياً. وقد حدت هذه العقبة من عدد الهياكل التي يمكن للعلماء دراستها، مما ترك جزءاً كبيراً من العالم الخلوي غير مستكشف.
قام فريق من الباحثين في "تشان زوكربيرج بيوهاب" (Chan Zuckerberg Biohub) الآن ببناء نظام يعمل على أتمتة هذه العملية بأكملها، محولاً إياها من مهمة تتطلب جهداً بشرياً مكثفاً إلى سير عمل ذاتي التكوين. لقد طوروا أداتين رئيسيتين تعملان معاً: إحداهما للعثور على الآلات الجزيئية وسط الضجيج الخلوي المعقد، والأخرى لتجميع الهياكل الواضحة من تلك النتائج. تعمل الأداة الأولى، التي تسمى "أوكتوبي" (Octopi)، ككاشف ذكي؛ فبدلاً من الاعتماد على إنسان ليعلمها ما يجب أن تبحث عنه في كل تجربة جديدة، تستخدم "أوكتوبي" طريقة التجربة والخطأ لضبط إعداداتها الداخلية تلقائياً لتناسب البيانات المحددة التي تحللها. إنها تتعلم التعرف على شكل وإشارة جزيء مستهدف، حتى عندما يكون ذلك الجزيء محاطاً بأغشية أو حطام خلوي آخر. وبمجرد أن تحدد "أوكتوبي" مواقع هذه الجزيئات، تتولى الأداة الثانية، المسماة "باي تو ريلي" (py2rely)، زمام الأمور؛ حيث يقوم هذا النظام بجمع القطع المحددة ودمجها رياضياً، مع تحسين الصورة من خلال دورات متكررة حتى يظهر هيكل ثلاثي الأبعاد حاد وواضح.
اختبر الباحثون هذا النظام المؤتمت على سبعة عشر مهمة مختلفة، تتراوح من الجزيئات المنقاة في أنبوب اختبار إلى خلايا بكتيرية كاملة ومعقدة وخلايا بشرية. وفي كل حالة، عمل النظام دون الحاجة إلى تدخل بشري لإعادة تكوين البرامج لكل مجموعة بيانات جديدة. وعندما طبقوه على مجموعة بيانات معيارية تحتوي على ستة أنواع مختلفة من الجزيئات، وجد الكاشف المؤتمت الأهداف بدقة تماثل النماذج المصممة بشرياً والأعلى أداءً في مسابقة دولية حديثة. والأهم من ذلك، كانت الهياكل المبنية من هذه النتائج المؤتمتة واضحة بنفس القدر. فبالنسبة لبعض الأهداف، أنتج النظام صوراً بدقة تصل إلى 3.0 أنجستروم، وهو مستوى من التفصيل يكفي لرؤية الذرات الفردية. وفي حالات أخرى أكثر صعوبة، مثل الجزيئات المرتبطة بأغشية الخلايا، تمكن النظام من إنتاج هياكل بدقة تتراوح بين 10 و20 أنجستروم، مما كشف عن الشكل العام والميزات الرئيسية للمعقدات.
كان أحد أهم الإنجازات هو قدرة النظام على التعامل مع البيئات الصعبة حيث تكون الإشارة ضعيفة أو محجوبة. ففي الخلايا البشرية، طلب الباحثون من النظام التمييز بين الريبوسومات التي تسبح بحرية في سائل الخلية وتلك المتصلة بأغشيتها الداخلية. ومن خلال تدريب الكاشف على عدد قليل فقط من الأمثلة الموسومة يدوياً، تعلم النظام التعرف على المجموعتين والأغشية نفسها في آن واحد. وقد نجح في فصل المجموعتين وبناء هياكل واضحة لكل منهما، بل وكشف عن معقد بروتيني مرتبط بالغشاء كان قد ظهر في دراسات سابقة. وبالمثل، في الخلايا البكتيرية، حدد النظام حلقات بروتينية كبيرة وجسيمات شبيهة بالفيروسات في السيتوبلازم البكتيري الكثيف باستخدام عدد قليل فقط من أمثلة التدريب. بل إنه استطاع التعميم على مجموعات بيانات جديدة وغير مرئية، حيث عمل بشكل صحيح على أنواع مختلفة من التحضيرات الخلوية دون أي ضبط إضافي.
كما أظهرت الدراسة أن هذا النهج المؤتمت يمكن أن يحسن النتائج السابقة. فعندما طبق الفريق سير عمل بناء الهياكل المؤتمت على بيانات من إحدى المسابقات، كانت الصور الناتجة أكثر حدة بشكل ملحوظ من الصور المنشورة أصلاً. على سبيل المثال، تم تحسين هيكل ريبوسوم كان قد تم حله سابقاً بدقة 6.8 أنجستروم إلى 3.7 أنجستروم بمجرد استخدام خطوات المعالجة الجديدة والمتسقة. وهذا يشير إلى أن القيود السابقة لم تكن بسبب البيانات نفسها، بل بسبب الطبيعة اليدوية والمتغيرة للتحليل. ووجد الباحثون أن النظام يمكنه حتى التعلم من معلومات شحيحة جداً؛ فبالنسبة لهدف صعب، كان النموذج المدرب على خمسين مثالاً فقط موسوماً يدوياً كافياً لتوليد هيكل عالي الجودة.
وعلى الرغم من فعالية النظام العالية، لاحظ الباحثون مجالاً واحداً لا يزال يتطلب تدخلاً بشرياً. فبالنسبة لمعقد بروتيني محدد يوجد في الحويصلات المشبكية، احتاج سير العمل المؤتمت إلى إنسان لاختيار أفضل مجموعة من الجسيمات وضبط قناع التحليل. يسلط هذا الاستثناء الضوء على أنه بينما يمكن للنظام التعامل مع معظم السيناريوهات، فإن الأهداف الأكثر تعقيداً المرتبطة بالأغشية لا تزال تستفيد من الإشراف الخبير. ومع ذلك، فإن النجاح العام للمشروع يثبت أن وجود مسار عام ومؤتمت من البيانات الخام إلى الهيكل الذري أصبح أمراً ممكناً الآن. ومن خلال إزالة الحاجة إلى اختيار الجسيمات الموجه من قبل الخبراء وتجميع سير العمل المخصص، يفتح هذا الإطار الجديد الباب لدراسة مجموعة واسعة من الهياكل الخلوية على نطاق كان مستحيلاً في السابق، مما يسمح للعلماء برسم خرائط للآلات الجزيئية للحياة بسرعة واتساق غير مسبوقين.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.