MDFitML: Using machine learning to predict potency from molecular simulations
يقدم MDFitML سير عمل مؤتمتًا يستفيد من نماذج تعلم الآلة المدربة على بصمات المحاكاة (SimFP) المستمدة من مسارات الديناميكا الجزيئية للتنبؤ بدقة وتفسير قوة فاعلية الروابط المتنوعة من خلال ربط التنبؤات مباشرة بتفاعلات البروتين والربيطة على مستوى بقايا الأحماض الأمينية المحددة.
المؤلفون الأصليون:Xue Zong, Ahmet Mentes, Barmak Mostofian, Keith Jones, David R Stevens, Greg Bakken, Sirish Kaushik Lakkaraju
تخيل أنك تحاول العثور على المفتاح المثالي لفتح قفل معقد للغاية ومتغير الشكل. في عالم الطب، هذا القفل هو بروتين داخل جسمك، والمفتاح هو جزيء دواء جديد. لعقود من الزمن، حاول العلماء تصميم هذه المفاتيم عبر النظر إلى صورة فوتوغرافية واحدة ثابتة للقفل. لكن الأقفال الحقيقية ليست ساكنة؛ فهي تتمايل، وتتنفس، وتغير شكلها. لفهم كيف يناسب المفتاح القفل حقاً، تحتاج إلى مشاهدة القفل وهو في حالة حركة، مثل مشاهدة فيديو بدلاً من صورة ثابتة. وهنا يأتي دور "الديناميكا الجزيئية": وهي محاكاة عبر حاسوب فائق تعمل كفيلم عالي السرعة، يوضح كيف ترقص البروتينات وجزيئات الأدوية وتتفاعل معاً بمرور الوقت. ومع ذلك، تنتج هذه الأفلام جبالاً من البيانات، مما يجعل من الصعب معرفة أي حركة دقيقة هي التي تجعل الدواء قوياً أو ضعيفاً. هذا هو اللغز الذي عالجه الباحثون: كيف نحول هذه الأفلام المعقدة والمتحركة إلى وصفة بسيطة تتنبأ بمدى فعالية الدواء؟
إليك MDFitML، وهو سير عمل مؤتمت جديد يعمل كمترجم ذكي بين هذه الأفلام الجزيئية وتصميم الأدوية. لقد جمع الباحثون بين أداتين قويتين: "كاميرا الفيديو" المتمثلة في محاكاة الديناميكا الجزيئية، وقوة "رصد الأنماط" التي يوفرها التعلم الآلي. وبدلاً من مجرد النظر إلى الوضع النهائي للدواء، تراقب طريقتهم المحاكاة بأكملها لإنشاء بصمة فريدة تسمى SimFP (بصمة المحاكاة). فكر في هذه البصمة كبطاقة تسجيل تحصي كل مرة يعانق فيها الدواء جزءاً معيناً من البروتين، أو يصافحه، أو يمسك بيده أثناء المحاكاة. إنها تلتقط استقرار هذه التفاعلات، وتلاحظ أي منها كان قوياً ومستداماً، وأيها كان عابراً وضعيفاً.
اختبر الفريق هذا النهج على ثمانية أهداف بروتينية مختلفة، بما في ذلك بعض الأهداف الشهيرة مثل CDK2 وBACE1، باستخدام مجموعات بيانات تتراوح من 16 إلى 147 جزيئاً شبيهاً بالدواء. ووجدوا أنه من خلال تغذية بصمات التفاعل هذه في نموذج تعلم آلي، استطاعوا التنبؤ بدقة بـ "قوة" (potency) الجزيئات. وفي الواقع، بالنسبة لمعظم الأهداف التي درسوها، كانت طريقتهم الجديدة أفضل بكثير من الطريقة القديمة التي تعتمد فقط على النظر إلى لقطات ثابتة. فعلى سبيل المثال، مع بروتين CDK2، قفزت قدرة نموذجهم على تفسير الاختلافات في قوة الدواء من درجة 0.57 إلى درجة مبهرة بلغت 0.90. ومع MCL-1، كان التحسن أكثر دراماتيكية، حيث انتقل من درجة ضعيفة بلغت 0.10 إلى درجة قوية بلغت 0.70.
ما يجعل هذا الأمر مميزاً حقاً هو أن النموذج لا يعطيك مجرد رقم؛ بل يخبرك بـ "لماذا". ولأن النموذج يتعلم من التفاعلات المحددة التي تظهر في المحاكاة، فإنه يستطيع الإشارة بدقة إلى أي حمض أميني في البروتين هو المسؤول عن نجاح الدواء. في إحدى دراسات الحالة المتعلقة بـ CDK2، حدد النموذج أن تفاعلاً معيناً مع جزء من البروتين يسمى Lys89 كان هو "السر" وراء الارتباط القوي. فقد أظهر أن الأدوية التي تمتلك مجموعة كيميائية محددة (سلفوناميد) يمكنها الإمساك بـ Lys89 كانت أقوى بكثير من تلك التي لا تستطيع ذلك.
ولعل الاكتشاف الأكثر إثارة هو أن هذه الطريقة مرنة بشكل مدهش. فعادةً، إذا قمت بتدريب نموذج حاسوبي على نوع معين من أشكال الأدوية، فإنه سيفشل فشلاً ذريعاً عندما تعرض عليه شكلاً مختلفاً تماماً. لكن MDFitML اقترح أنه طالما أن الدواء الجديد يتناسب داخل نفس "الجيب" الخاص بالبروتين، فإن النموذج يمكنه التنبؤ بقوته، حتى لو بدا الدواء مختلفاً تماماً عن تلك التي تم التدريب عليها. لقد اختبروا ذلك من خلال تدريب النموذج على مجموعة من الأدوية (نيكوتيناميدات) ثم طلبوا منه التنبؤ بقوة مجموعة مختلفة تماماً (إيميدازوبيريدازينات) تستهدف نفس موقع البروتين. وقد تمكن النموذج من ترتيب الأدوية الجديدة والمتنوعة حسب قوتها بدقة معقولة. وهذا يشير إلى أنه من خلال التركيز على "الرقصة" بين الدواء والبروتين، بدلاً من مجرد التركيز على البنية الكيميائية للدواء، قد يتمكن العلماء من تصميم أدوية أفضل حتى عندما يستكشفون مناطق كيميائية جديدة وغير مألوفة.
يلاحظ الباحثون بحذر أن هذا ليس عصا سحرية تحل كل المشكلات فوراً. فنتائجهم مبنية على عمليات محاكاة ومجموعات بيانات محددة، وتعمل الطريقة بشكل أفضل عندما تشغل الأدوية الجديدة نفس جيب الارتباط الخاص بأدوية التدريب. ومع ذلك، من خلال تحويل البيانات الجزيئية المعقدة والمتحركة إلى قواعد واضحة وقابلة للتفسير، يقدم MDFitML طريقة واعدة لفهم سبب نجاح بعض الأدوية وفشل أخرى، مما قد يسرع الرحلة من المختبر إلى رفوف الصيدليات.
ملخص تقني: MDFitML – استخدام التعلم الآلي للتنبؤ بالقوة من خلال المحاكاة الجزيئية
بيان المشكلة بينما توفر محاكاة الديناميكا الجزيئية (MD) وصفاً فيزيائياً يعتمد على الوقت والزمن لتفاعلات البروتين واللجين (ligand)، وهو ما لا تستطيع وضعيات الإرساء (docking poses) الساكنة توفيره، إلا أن تطبيقها في التنبؤ الكمي بالقدرة الارتباطية في اكتشاف الأدوية لا يزال محدوداً. تشمل التحديات الحالية الافتقار إلى سير عمل قابل للتوسع ومؤتمت لمعالجة أعداد كبيرة من المعقدات، وصعوبة اختزال بيانات المسار (trajectory data) عالية الأبعاد إلى واصفات (descriptors) تكون قابلة للتنبؤ وقابلة للتفسير كيميائياً في آن واحد. وفي المقابل، تعتمد مناهج التعلم الآلي (ML) القياسية للتنبؤ بالقوة عادةً على الهياكل الكيميائية الساكنة أو وضعيات الإرساء، مما يؤدي إلى الفشل في ترميز سلوكيات الارتباط الديناميكية والمرونة التشكلية التي تميز النظائر المتقاربة. هناك حاجة إلى طريقة تحول مسارات الديناميكا الجزيئية بشكل منهجي إلى سمات موجزة وقابلة للتفسير مناسبة لمجموعات البيانات الصغيرة وغير المتجانسة الشائعة في مراحل الاكتشاف المبكرة.
المنهجية يقدم المؤلفون MDFitML، وهو سير عمل مؤتمت يدمج محاكاة الديناميكا الجزيئية مع نماذج التعلم الآلي باستخدام بصمات المحاكاة (SimFP) كسمات. يسير سير العمل كما يلي:
تحضير النظام والمحاكاة: يتم تحضير معقدات البروتين-اللجين (باستخدام مجموعة أدوات OpenEye Spruce Toolkit) وإخضاعها لمحاكاة الديناميكا الجزيئية لجميع الذرات (100 نانو ثانية) باستخدام محرك OpenMM، وحقل القوة AMBER14SB للبروتينات، وOpenFF 2.0.0 لللجينات. تُجرى عمليات المحاكاة في ثلاث مكررات لزيادة حالات أخذ العينات.
استخراج السمات (SimFP): بدلاً من حسابات التفاعل الساكنة، يقوم سير العمل بحساب إشغال التفاعل (interaction occupancy) من مسارات الدينمايكا الجزيئية. يقيس هذا المقياس استقرار التفاعلات (التلامس، الروابط الهيدروجينية، الجسور الملحية، التراص، والتفاعلات بوساطة الماء) كنسبة مئوية من زمن المحاكاة التي يُلاحظ فيها التفاعل. تعمل هذه الإشغالات كواصفات لـ "SimFP".
استراتيجية تطوير النموذج: لمعالجة "لعنة الأبعاد" (عديد من سمات التفاعل مقابل عدد قليل من المركبات)، يتم استخدام نهج نمذجة ذي خطوتين:
اختيار السمات: يتم تطبيق نموذج انحدار Lasso مع تنظيم L1 لتحديد التفاعلات الأكثر إخباراً والتعامل مع تعدد الخطية (multicollinearity).
التنبؤ: يتم تدريب نموذج انحدار خطي قياسي باستخدام أفضل 10 تفاعلات تم اختيارها بواسطة نموذج Lasso فقط.
التحقق: يتم التحقق من صحة النماذج باستخدام التحقق المتبادل المتداخل بنظام "ترك جزيء واحد خارج المجموعة" (LOMO-CV) وتجارب Y-scrambling لاستبعاد الارتباطات الزائفة.
التنبؤ بالمجموعة (Ensemble Prediction): للتنبؤ النهائي بالقوة، يقوم النموذج بمتوسط التنبؤات من ثلاث مكررات من محاكاة الديناميكا الجزيئية لكل مركب لتقليل التباين.
المساهمات الرئيسية
بصمات المحاكاة (SimFP): تقديم فئة جديدة من الواصفات المستمدة من إشغالات التفاعل عبر مسارات الديناميكا الجزيئية. بخلاف الواصفات الساكنة، تتيح SimFP نماذج تعلم آلي قابلة للتفسير حيث ترتبط كل عملية تنبؤ مباشرة بتفاعلات محددة على مستوى بقايا الأحماض الأمينية في الجيب.
القابلية للنقل عبر الأنواع الكيميائية (Cross-Chemotype Transferability): تظهر الدراسة أن النماذج الخطية المدربة على SimFP من نوع كيميائي واحد يمكنها ترتيب المركبات متنوعة الهياكل التي تستهدف نفس الجيب ترتيباً دقيقاً. تمتد هذه القدرة إلى ما وراء الفضاء الكيميائي لمجموعة التدريب، وهو إنجاز غالباً ما يكون صعباً لكل من طرق الطاقة الحرة النسبية والتعلم الآلي القائم على الواصفات.
سير عمل مؤتمت وقابل للتوسع: يسمح دمج إعداد الديناميكا الجزيئية، وتحليل المسار، وتدريب التعلم الآلي في خط إنتاج مؤتمت بالكامل (بفضل البنية التحتية للحوسبة Orion) بالتنبؤ المتزامن بالقوة والتفسير الميكانيكي في البيئات محدودة البيانات.
النتائج تم التحقق من صحة سير العمل عبر ثمانية أنظمة، بما في ذلك خمسة أهداف عامة (CDK2, CDK9, MCL-1, BACE1, Hif-2α) وهدفين داخليين من Bristol Myers Squiss (BMS) بأنواع كيميائية متنوعة.
الأداء مقابل الوضعيات الساكنة: تفوق MDFitML باستمرار على النماذج المبنية على وضعيات الإرساء الساكنة. على سبيل المثال، تحسن معامل التحديد (R2) لـ CDK2 من 0.57 إلى 0.90، ولـ MCL-1 من 0.10 إلى 0.70. التقطت السمات الديناميكية التفاعلات العابرة وتأثيرات المذيب التي ارتبطت بشكل أفضل بالقوى التجريبية.
فعالية اختيار السمات: أدى استخدام أفضل 10 تفاعلات مختارة بواسطة Lasso إلى تحقيق دقة تنبؤية فائقة مقارنة بنماذج Lasso الكاملة أو النماذج ذات السمات الأكثر عدداً، مما حقق توازناً فعالاً بين نسبة العينات إلى السمات ومنع الإفراط في التخصيص (overfitting).
التفسير الميكانيكي: نجحت النماذج في تحديد المبررات الهيكلية المحددة لاختلافات القوة. في دراسة الحالة الخاصة بـ CDK2، حدد النموذج بشكل صحيح أن الارتباط الوثيق يرتبط بتفاعلات محددة مع Lys89، مما ميز اللجينات القوية عن الضعيفة بناءً على ترتيب مجموعات السلفوناميد.
التنبؤ عبر الأنواع الكيميائية:
Tyk2: نجح نموذج مدرب على أنواع النيكوتيناميد في التنبؤ بقوة مركبات الإيميدازوبيريدازين (IZP)، رغم الاختلافات الهيكلية الكبيرة.
هدف BMS الداخلي: نجح نموذج مدرب على هيكل بي-أريل (النوع الكيميائي A) في ترتيب سلسلة هيكل الأسيتيلين (النوع الكيميائي B) ترتيباً دقيقاً.
يشير هذا إلى أنه طالما أن الجزيئات المستعلم عنها تشغل نفس جيب الارتباط ويمكن ترميزها في فضاء SimFP المحدد بمجموعة التدريب، فإن النموذج يمكنه التعميم عبر التنوع الكيميائي.
الأهمية والادعاءات يدعي البحث أن MDFitML يوفر بديلاً قوياً لطرق الطاقة الحرة وطرق التعلم الآلي القائمة على الوضعيات الراسخة، لا سيما في البيئات محدودة البيانات. تكمن أهميته الأساسية في القابلية للتفسير: من خلال تعلم فروق القوة عبر تفاعلات الديناميكا الجزيئية، يوفر النموذج مبرراً هيكلياً غير مسبوق للتنبؤات التي تضيع غالباً عند استخدام الواصفات الكيميائية عالية الأبعاد.
يؤكد المؤلفون أنه بينما تعاني كل من طرق تغيير الطاقة الحرة (FEP) ونماذج التعلم الآلي القياسية من انخفاض الموثوقية عندما تبتعد الجزيئات المستعلم عنها بشكل كبير عن الفضاء الكيميائي للتدريب (بسبب مشاضات تداخل فضاء الطور أو عدم التشابه الهيكلي)، فإن MDFitML يخفف من ذلك من خلال التركيز على فضاء تفاعل الجيب. وكما هو موضح في حالتي Tyk2 والهدف الداخلي لـ BMS، تسمح هذه الطريقة بالعبور الموثوق لمسافات كيميائية كبيرة مع الحفاظ على القابلية للتفسير، بشرط أن يرتبط اللجين المستعلم عنه بنفس الجيب. تم تصميم سير العمل ليكون قابلاً للتوسع والتكرار، مما يوفر أداة عملية لفرز التصميم في مشاريع اكتشاف الأدوية.