FUSION: a multimodal graph-based structural AI framework for interpretable somatic cancer driver mutation prediction
تقدم الورقة البحثية FUSION، وهو إطار عمل ذكاء اصطناعي متعدد الوسائط يعتمد على الرسوم البيانية ويدمج تضمينات نماذج لغة البروتين، والطبولوجيا الهيكلية المستمدة من AlphaFold2، والمجموعات التشكيلية، للتنبؤ بدقة وتفسير الطفرات السرطانية الجسدية المحركة، لا سيما للمتغيرات المغلطة النادرة التي تفتقر إلى أدلة سريرية سابقة.
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
يبدأ السرطان عندما تبدأ خلايا الجسم في النمو بشكل خارج عن السيطرة، وغالباً ما يكون ذلك بسبب أخطاء صغيرة في شفرتها الجينية. هذه الأخطاء، التي تسمى الطفرات، يمكن أن تعمل مثل دواسة وقود عالقة في سيارة، مما يدفع الخلية إلى الانقسام في وقت ينبغي لها فيه أن ترتاح. يطلق العلماء على الطفرات الخطيرة التي تقود هذه العملية اسم "المحركات" (drivers)، بينما يطلقون على الطفرات غير الضارة التي تصاحبها بالصدفة اسم "الركاب" (passengers). لعقود من الزمن، كان العثور على المحركات يشبه البحث عن عدد قليل من الإبر المحددة في كومة هائلة من البيانات الجينية. وتكمن المشكلة في أن العديد من المحركات نادرة؛ فهي تظهر لدى عدد قليل جداً من المرضى أو في أجزاء محددة من البروتين، مما يجعل من الصعب رصدها باستخدام الأدوات القياسية التي تعتمد على رؤية نفس الخطأ مراراً وتكراراً. علاوة على ذلك، فإن فهم سبب تسبب طفرة ما في السرطان يتطلب النظر في الشكل ثلاثي الأبعاد للبروتينات التي تؤثر عليها، وليس فقط في تسلسل الحروف في الحمض النووي (DNA).
لقد طور فريق من الباحثين نظام ذكاء اصطناعي جديد يسمى FUSION لحل هذه المشكلة. فبدلاً من النظر إلى الطفرات بشكل منعزل، يقوم هذا النظام ببناء خريطة مفصلة لكيفية بناء البروتين وكيفية حركته. وهو يجمع المعلومات حول التسلسل الكيميائي للبروتين، وشكله المطوي، ومرونته الهيكلية في نموذج واحد موحد. ومن خلال التدريب على آلاف الأمثلة، يتعلم النظام التعرف على البصمات الهيكلية الدقيقة التي تميز "المحرك" المسبب للسرطان عن "الراكب" غير الضار. وتظهر النتائج أن هذا النهج يمكنه تحديد الطفرات الخطيرة التي تغفل عنها الطرق الأخرى، بما في ذلك المتغيرات النادرة التي لا تظهر في "البؤر الساخنة" المعتادة حيث يوجد السرطان غالباً. وتوفر هذه القدرة طريقة جديدة لتحديد الأولويات بشأن أي الأخطاء الجينية تستحق مزيداً من الدراسة، مما قد يساعد الأطباء على فهم البيولوجيا الفريدة لورم المريض.
بنى الباحثون نظام FUSION للتعامل مع تعقيد البروتينات البشرية، وهي سلاسل طويلة من الأحماض الأمينية التي تنطوي لتشكل أشكالاً ثلاثية الأبعاد معقدة. وللقيام بذلك، قاموا بتغذية النظام بثلاثة أنواع مختلفة من المعلومات. أولاً، يستخدم نموذج لغة مدرب على ملايين تسلسلات البروتين لفهم السياق الكيميائي لكل حمض أميني. ثانياً، يدمج الشكل الفيزيائي للبروتين، الذي يتم إنتاجه بواسطة أداة قوية للتنبؤ بالبنية تعمل كمعماري جزيئي. ثالثاً، يتضمن تفاصيل حول البيئة المحلية، مثل ما إذا كان جزء معين من البروتين عبارة عن لولب صلب أو حلقة مرنة. يربط النظام هذه القطع جميعها في شبكة، حيث يمثل كل حمض أميني عقدة والمسافات الفيزيائية بينها هي الروابط. وهذا يسمح للذكاء الاصطناعي برؤية كيف يمكن لتغيير في نقطة واحدة أن يمتد أثره عبر الهيكل بأكم.
إن الابتكار الرئيسي في هذا العمل هو كيفية تعامل النظام مع حقيقة أن البروتينات ليست تماثيل ثابتة؛ بل هي تتمايل وتتحرك. ولتجسيد هذه الحركة، استخدم الباحثون تقنية توليدية لإنشاء آلاف النسخ المختلفة قليلاً من كل بنية بروتينية، مما يحاكي المرونة الطبيعية للجزيء. وقد استخدموا هذه التباينات لتعليم الذكاء الاصطناعي كيف يبدو البروتين أثناء الحركة، وليس فقط في وضعية واحدة ثابتة. ومع ذلك، عندما يقوم النظام بتقديم تنبؤ نهائي لمريض جديد، فإنه يحتاج فقط إلى البنية الأكثر احتمالاً الواحدة. إن التدريب على أجزاء متحركة كثيرة يساعد النموذج ببساطة على تعلم القواعد الأساسية لكيفية سلوك البروتينات، مما يجعله أكثر قوة عند مواجهة طفرة جديدة غير مرئية.
اختبر الفريق نظام FUSION في تحديين رئيسيين. أولاً، قاموا بتقييمه مقابل مجموعة كبيرة من الطفرات التي تم التحقق منها تجريبياً في المختبر لمعرفة ما إذا كانت تسبب السرطان. وفي هذه الاختبارات، حدد النظام الطفرات المحركة بدقة عالية، متفوقاً على الطرق الموجودة. وكان بارعاً بشكل خاص في رصد المتغيرات النادرة التي ظهرت مرة واحدة أو مرتين فقط في مجموعات البيانات الكبيرة، والتي غالباً ما تتجاهلها الأدوات التي تعتمد على التكرار. على سبيل المثال، حدد النظام بشكل صحيح طفرة نادرة في جين يسمى POT1 كطفرة محركة، وهو اكتشاف يتوافق مع الأدلة البيولوجية حول دوره في حماية الحمض النووي، رغم أن الطفرة كانت نادرة جداً بحيث لم تتمكن الطرق الأخرى من رصدها.
كما طبق الباحثون نظام FUSEON خصيصاً على سرطان غدة البنكرياس، وهو نوع مميت من سرطان البنكرياس. وفي هذا السياق، حقق النظام مستوى أعلى من الدقة، حيث ميز بنجاح بين المحركات والركاب في الغالبية العظمى من الحالات. لقد نجح في تحديد المحركات المعروفة في جينات مثل KRAS و TP53، ولكنه سلط الضوء أيضاً على طفرات نادرة في جينات أخرى لم تكن مرتبطة بالمرض سابقاً. وكان أحد الاكتشافات البارزة طفرة في جين يسمى SASH1. كانت هذه الطفرة تقع في منطقة مرنة وغير منظمة من البروتين، بعيداً عن البؤر الساخنة المعتادة التي توجد فيها طفرات السرطان. وقد صنفها النظام كمحرك محتمل، وأشارت تحليلات لاحقة إلى أنها قد تعطل قدرة البروتين على إيقاف نمو الورم، وهو اكتشاف يفتح مساراً جديداً للبحث في سرطان البنكرياس.
بعيداً عن مجرد تقديم التنبؤات، يوفر النظام طريقة لرؤية سبب اتخاذه لتلك القرارات. فقد فحص الباحثون "الانتباه" الداخلي للنموذج، والذي يوضح الأجزاء التي ركز عليها النظام عند اتخاذ قرار ما. بالنسبة لطفرة شائعة في بروتين KRAS، ركز النظام اهتمامه على مناطق محددة معروفة بأهميتها لوظيفة البروتين، بما في ذلك المناطق التي تتفاعل مع جزيئات أخرى للتحكم في نمو الخلايا. كما سلط الضوء على جيب عابر بالقرب من موقع الطفرة، وهي سمة هيكلية أصبحت مؤخراً هدفاً لأدوية السرطان الجديدة. تشير هذه القدرة على الإشارة إلى مناطق ذات مغزى بيولوجي إلى أن النظام لا يخمن بناءً على الأنماط في البيانات فحسب، بل إنه يتعلم بالفعل القواعد الفيزيائية التي تحكم كيفية عمل البروتينات.
توضح الدراسة أن دمج أنواع مختلفة من المعلومات الجزيئية في نموذج واحد قائم على الرسوم البيانية يمكن أن يحسن بشكل كبير من اكتشاف محركات السرطان. ومن خلال الانتقال من مجرد قوائم بسيطة للطفرات إلى نمذجة البروتين كبنية ديناميكية ومترابطة، يوفر FUSION صورة أكثر اكتمالاً لكيفية تؤدي الأخطاء الجينية إلى المرض. وبينما لا يعد النظام علاجاً في حد ذاته، إلا أنه يعمل كأداة قوية لفرز الكم الهائل من البيانات الجينية الناتية عن عمليات التسلسل الحديثة. فهو يساعد الباحثين والأطباء على تركيز اهتمامهم على الطفرات الأكثر احتمالاً لأن تكون هي المحركة للسرطان، مما يمهد الطريق لعلاجات أكثر استهدافاً وفهماً أعمق للمرض. ويشير العمل إلى أن مستقبل طب الأورام الدقيق يكمكم في الأدوات التي يمكنها تفسير اللغة ثلاثية الأبعاد المعقدة للحياة، وتحويل البيانات الجينية الخام إلى رؤى بيولوجية قابلة للتطبيق.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.