Automated dataset integrating structural and bioactivity data for structure-based drug discovery

تخيل أنك تحاول تعليم روبوت كيفية تصميم مفتاح جديد يناسب قفلاً معيناً بدقة تامة. في عالم الطب، تكون "الأقفال" هي البروتينات داخل أجسامنا التي تسبب الأمراض، و"المفاتيح" هي جزيئات الأدوية الصغيرة. لعقود من الزمن، حاول العلماء بناء روبوت فائق الذكاء (باستخدام التعلم الآلي) يمكنه التنبؤ بمدى جودة ملاءمة المفتاح للقفل بمجرد النظر إلى أشكالهما. ولكن هناك مشكلة كبيرة: الروبوت جائع للبيانات، والبيانات التي يحتاجها مبعثرة في كل مكان. بعض العلماء لديهم شكل القفل، والبعض الآخر لديه قياسات لمدى جودة دوران المفتاح، لكنها نادراً ما توجد في نفس المكان. الأمر يشبه محاولة تعليم طاهٍ كيفية طهي وجبة مثالية بينما الوصفة موجودة في كتاب، وصورة المكونات في كتاب آخر، ونتائج اختبار المذاق في كتاب ثالث. بدون مكتبة ضخمة ومنظمة تربط شكل القفل بقوة قبضة المفتاح بدقة، لن يتمكن الروبوت من التعلم بفعالية.

هنا تبدأ قصة DockTData. قرر فريق من الباحثين من المختبر الوطني للحوسبة العلمية في البرازيل بناء تلك المكتبة المفقودة. لم يكتفوا بجمع بعض الوصفات فحسب؛ بل بنوا مصنعاً مؤتمتاً يمسح الإنترنت بحثاً عن كل معلومة متاحة حول أقفال البروتينات ومفاتيح الأدوغ، ويقوم بربطها وتنظيمها في مجموعة بيانات واحدة ضخمة. فكر في الأمر كخدمة "توفيق" رقمية ضخمة؛ فهي تأخذ المخططات ثلاثية الأبعاد للبروتينات من بنك بيانات البروتين (PDB) وتربطها بالنتائج الواقعية من قواعد بيانات مثل BindingDB وChEMBL. والنتيجة هي كنز يضم أكثر من 24,719 معقداً فريداً من البروتين واللجين (الرابط). هذه ليست مجرد قائمة أرقام؛ بل هي مجموعة يكون فيها كل جزيء دواء مرتبطاً مباشرة بهيكله ثلاثي الأبعاد وبقوة ارتباطه المقاسة (مدى إحكام ارتباطه)، بحيث تم توحيدها لكي يتمكن الكمبيوتر من قراءتها جميعاً في وقت واحد.

المهمة الجوهرية للورقة البحثية: بناء المكتبة المثالية لتصميم الأدوية

تقدم الورقة البحثية DockTData، وهي مجموعة بيانات جديدة ومتاحة للجميع صُممت لتعزيز عملية "اكتشاف الأدوية القائم على البنية". بعبارات بسيطة، هذه هي العملية التي يتم من خلالها تصميم الأدوية عبر النظر إلى الشكل ثلاثي الأبعاد للبروتين المستهدف وتحديد أي الجزيئات ستناسبه بشكل أفضل. أنشأ المؤلفون مجموعة البيانات هذه عبر بناء مسار مؤتمت يعمل كأمين مكتبة فائق الكفاءة؛ حيث يخرج هذا الأمين إلى ثلاثة مصادر ضخمة — بنك بيانات البروتين (PDB)، الذي يحتوي على الهياكل ثلاثية الأبعاد للبروتينات؛ وBindingDB؛ وChEMBL، اللذان يحتويان على قياسات مدى ارتباط الأدوية بالبروتينات — ويجمع كل شيء معاً.

تكمن روعة DockTData في كيفية ربط النقاط ببعضها. قبل ذلك، قد يجد العالم صورة لبروتين ملتصق به دواء، لكنه لن يعرف بالضبط مدى قوة هذا الارتباط، أو قد يجد قياس القوة في قاعدة بيانات مختلفة دون وجود الصورة. يحل DockTData هذه المشكلة عبر ربط الـ 24,719 معقداً من البروتين واللجين (القفل والمفتاح) مباشرة بـ 45,331 قياساً للنشاط الحيوي. تشمل هذه القياسات قيم مثل Kd وKi وIC50 وEC50، وكلها طرق لقول "ما مدى إحكام التصاق هذا الدواء؟". وقد قام المؤلفون بتوحيد جميع هذه القيم بوحدات النانومولار (nM)، لتكون قابلة للمقارنة بشكل مباشر (تفاح مقابل تفاح).

كيف فعلوا ذلك: آلة التوفيق المؤتمتة

لم يقم الباحثون بمجرد النسخ واللصق؛ بل بنوا نظاماً متطوراً لضمان أن تكون المطابقات مثالية. استخدموا بعض الحيل الذكية للتأكد من أن البيانات نظيفة وموثوقة:

• مطابقة البروتين: استخدموا أداة تسمى MMseqs2 لمقارنة تسلسلات البروتين. وضعوا قاعدة تنص على أن يكون البروتين من اختبار الدواء مطابقاً بنسبة 85% على الأقل للبروتين الموجود في الهيكل ثلاثي الأبعاد ليُعتبر مطابقة. هذا يشبه قول: "إذا كان القفل يشبه القفل الموجود في الصورة بنسبة 85%، فسنفترض أنه نفس القفل". تم اختيار هذا الحد ليشمل الاختلافات المفيدة (مثل النسخ المختلفة قليلاً من نفس البروتين) دون تضمين بروتينات مختلفة تماماً.
• مطابقة الدواء: بالنسبة لجزيئات الدواء، استخدموا ما يسمى بـ InChIKey. فكر في هذا كرمز شريطي (باركود) فريد مكون من 27 حرفاً لكل هيكل كيميائي. ومن خلال إعادة حساب هذه الرموز باستخدام أداة معيارية (RDKit) لكل مدخل، ضمنوا عدم إدراج نفس الدواء مرتين تحت أسماء مختلفة أو باختلافات طفيفة مربكة.
• قاعدة "مفتاح واحد، قفل واحد": كانوا صارمين جداً بشأن الاقتران. إذا كان الهيكل البروتيني يحتوي على دواءين مختلفين ملتصقين به في نفس الوقت، فقد استبعدوه. احتفظوا فقط بالمعقدات التي يوجد فيها جزيء دواء واحد بالضبط مقترن بهيكل بروتيني واحد. هذا يمنع الارتباك عند تدريب النماذج الحاسوبية.

ماذا يوجد داخل الصندوق؟

مجموعة البيانات الناتجة هي مجموعة ضخمة من المعلومات المنظمة في جداول سهلة الاستخدام. إليك ما ستحصل عليه:

• 24,719 معقداً فريداً من البروتين واللجين.
• 11,742 جزيء دواء متميز (لجينات).
• 17,732 هيكل بروتيني فريد من بنك PDB.
• 2,163 هدفاً بروتينياً مختلفاً (الأقفال).
• مزيج من الجزيئات الصغيرة (نوع الأدوية الكلاسيكي، وتشكل 24,378 من المدخلات)، والببتيدات (271 مدخلاً)، وحتى بعض السكريات المتعددة (70 مدخلاً).

يشير المؤلفون إلى أن مجموعة الجزيئات الصغيرة الخاصة بهم أكبر بنسبة 46% من الجزء الخاص بالجزيئات الصغيرة في مجموعة PDBbind العامة (إصدار 2020)، والتي كانت تحتوي على 16,744 مدخلاً. وهذا يعني أن DockTData يوفر ساحة لعب أكبر بكثير للعلماء لاختبار أفكارهم.

لماذا هذا مهم: أكثر من مجرد أرقام

تؤكد الورقة البحثية أن جودة وحجم بيانات التدريب هما أكبر العقبات أمام التعلم الآلي في اكتشاف الأدوية. إذا دربت روبوتاً على مجموعة بيانات صغيرة وغير منظمة، فسوف يتعلم عادات سيئة. توفر DockTData مجموعة بيانات "أنظف"، وأكبر، وأكثر شفافية. ولأن المؤلفين تتبعوا بدقة مصدر كل قطعة من البيانات ("الأصل/المنشأ")، يمكن للعلماء تتبع أي رقم إلى مصدره الأصلي، والتحقق من الأخطاء، وفهم السياق.

تتضمن مجموعة البيانات أنواعاً متنوعة من القياسات: 58.8% هي قيم IC50، و20.3% هي Ki، و11.3% هي Kd، و9.7% هي EC50. هذا التنوع مهم لأن أنواع القياسات المختلفة تحكي قصصاً مختلفة قليلاً عن كيفية عمل الدواء. ومن خلال وجودها جميعاً في مكان واحد، موحدة بوحدات النانومولار، يمكن للباحثين اختيار نوع البيانات المحدد الذي يناسب احتياجاتهم.

"مناطق الحظر": ما تستبعده الورقة البحثية

من المهم ملاحظة ما لا تشتمل عليه DockTData. يذكر المؤلفون صراحة أنهم لا يدرجون الهياكل التي تم التنبؤ بها حاسوبياً فقط (مثل تلك الناتجة عن AlphaFold) دون إثبات تجريبي. لقد أدرجوا فقط الهياكل التي تم حلها فعلياً في المختبر باستخدام الأشعة السينية (X-ray)، أو الرنين المغناطيسي النووي (NMR)، أو المجهر الإلكتروني المبرد (cryo-electron microscopy). وهذا يعني أن مجموعة البيانات ترتكز بصرامة على الواقع التجريبي، وليس المحاكاة الحاسوبية.

علاوة على ذلك، استبعدت الورقة الأزواج الغامضة. إذا كان الهيكل البروتيني يحتوي على أدوية متعددة مختلفة مرتبطة به، أو إذا كانت الصلة بين تسلسل البروتين وقياس الدواء ضعيفة جداً (أقل من حد هوية 85%)، فقد تم استبعاد تلك البيانات. يجادل المؤلفون بأن هذه الصرامة ضرورية لتجنب "الضجيج" الذي قد يربك نماذج التعلم الآلي. كما يشيرون إلى أنه رغم امتلاكهم للكثير من البيانات، إلا أنهم لا يدعون حل مشكلة اكتشاف الأدوية، بل يقدمون أساساً أفضل — "مورداً شفافاً، وقابلاً لإعادة الاستخدام، والتوسع المستمر" — ليبني الآخرون عليه.

الخلاصة النهائية

تعد DockTData هدية للمجتمع العلمي. فهي مكتبة ضخمة، ومنظمة، ومجانية تربط الأشكال ثلاثية الأبعاد للبروتينات بقوة التفاعلات الدوائية في العالم الحقيقي. من خلال أتمتة عملية جمع وتنظيف هذه البيانات، نجح المؤلفون في إنشاء مورد أكبر وأكثر تنوعاً من المجموعات السابقة. لقد جعلوا من الممكن للباحثين تدريب نماذج ذكاء اصطناعي أكثر ذكاءً، واختبار نظريات جديدة حول كيفية ارتباط الأدوية بالبروتينات، وفي النهاية، تسريع اكتشاف أدوية جديدة. مجموعة البيانات متاحة بموجب رخصة المشاع الإبداعي نَسب المُصنَّف 4.0 الدولي، مما يعني أن أي شخص يمكنه استخدامها، ومشاركتها، والبناء عليها، طالما يتم ذكر المصدر. إنها خطوة واضحة نحو تحويل العالم الفوضوي لبيانات اكتشاف الأدوية إلى لغة مهيكلة وقابلة للتعلم من قبل الآلات.