TDEP: Predicting Target Perturbation Response from Drug-Induced Transcriptomes

إن العثور على المفتاح المناسب لقفل بيولوجي هو التحدي المركزي في اكتشاف الأدوية الحديثة. لقد عرف العلماء منذ زمن طويل أن الأدوية تعمل من خلال الالتصاق ببروتينات محددة داخل الجسم، تماماً مثل مفتاح يناسب قفلاً. إذا ناسب المفتاح القفل، يمكنه تدوير القفل لإيقاف مرض ما أو بدء عملية شفاء. لعقود من الزمن، حاول الباحثون التنبؤ بهذه المطابقات باستخدام استراتيجيتين رئيسيتين. تنظر إحدى الطرق إلى الشكل الفيزيائي للجزيئات، محاولةً معرفة ما إذا كانت تتناسب معاً مثل قطع الأحجية. وتنظر الطريقة الأخرى إلى التبعات الكيميائية، من خلال مراقبة كيفية تغير التعليمات الداخلية للخلية عند إدخال دواء ما. وبينما تعد طرق تعتمد على الشكل جيدة في تخمين حدوث المطابقة، إلا أنها غالباً ما تفشل في شرح ما يحدث بعد ذلك. أما الطرق الكيميائية فيمكنها إظهار التبعات، لكنها تجد صعوبة في تحديد أي بروتين بالضبط تسبب في هذا التغيير، وغالباً ما تضيع في ضجيج التفاعلات المعقدة للخلية.

لقد طور فريق من الباحثين في جامعة إيها للوات نساء (Ewha Womans University) في كوريا الجنوبية طريقة جديدة لسد هذه الفجوة. فقد أنشأوا نظاماً يسمى TDEP، وهو اختصار لـ "ملف التعبير التفاضلي المتأثر بالهدف" (Target-perturbed Differential Expression Profile). فبدلاً من مجرد التنبؤ بما إذا كان الدواء سيلتصق ببروتين ما، يتنبأ TDEP بالأثر التموجي المحدد الذي سيحدثه ذلك البروتين في كامل دليل التعليمات الخاص بالخلية، والمعروف باسم "الترانسكريبتوم" (transcriptome). تخيل الخلية كمكتبة ضخمة من الكتب، حيث يمثل كل كتاب منها جيناً. عندما يصيب دواء ما هدفاً بروتينياً، فإنه لا يكتفي بإسكات كتاب واحد فحسب؛ بل يغير ترتيب قراءة آلاف الكتب الأخرى. يتعلم TDEP قراءة رد فعل المكتبة تجاه الدواء، ثم يعمل بشكل عكسي للتنبؤ بدقة بالبروتين الأصلي الذي تسبب في ذلك الاضطراب. وهذا يتيح للعلماء ليس فقط العثور على المطابقة، بل وأيضاً فهم القصة البيولوجية التي تليها.

بنى الباحثون نظامهم من خلال تعليم حاسوب التعرف على الأنماط في كميات هائلة من البيانات البيولوجية. بدأوا بمجموعة ضخمة من التغيرات المستحثة بالأدوية في النشاط الجيني، والتي تم جمعها من قاعدة بيانات عامة تسمى "خريطة الاتصال" (Connectivity Map). تحتوي هذه القاعدة على أكثر من مليون لقطة لكيفية تفاعل خلايا مختلفة مع مواد كيميائية متنوعة. قام الفريق بربط هذه اللقطات الكيميائية مع التسلسلات الجينية للبروتينات التي من المفترض أن تصيبها تلك الأدوية. واستخدموا نوعاً من الذكاء الاصطناعي الذي يفهم تسلسلات البروتين، بشكل يشبه فهم نماذج اللغة للجمل، لتمثيل البروتينات المستهدفة. ثم قاموا بتدريب النظام لربط بروتين معين بنمط التغيرات الجينية الفريد الذي ينتجه. لا يكتفي النظام بقول "نعم" أو "لا" لوجود تفاعل، بل ينشئ خريطة مفصلة لكيفية ارتفاع أو انخفاض جينات الخلية إذا تم حجب ذلك البروتين المحدد.

عندما اختبر الفريق نظامهم الجديد مقابل الطرق الموجودة، كانت النتائج مذهلة. فقد قارنوا TDEP بنماذج قديمة تعتمد على الأشكال الجزيئية، وأخرى تعتمد على البيانات الجينية من تجارب يتم فيها إسكات الجينات اصطناعياً. وفي اختبارات شملت أدوية لم يرها النظام من قبل، حقق TDEP مساحة تحت المنحنى (AUC) بلغت 0.87 في تحديد التفاعلات بشكل صحيح. كان هذا الأداء مقارباً لأفضل النماذج القائمة على الشكل، والتي تعتبر حالياً المعيار الذهبي، وأفضل بكثير من الطرق الجينية القديمة التي كافحت للوصول إلى AUC قدره 0.6. ووجد الباحثون أن النظام كان جيداً بشكل خاص في التعلم من البيانات المقدمة له، متجنباً الفخ الشائع المتمثل في مجرد حفظ الإجابات. لقد تعلم التعرف على المنطق البيولوجي الكامن الذي يربط البروتين بتبعاته الخلوية.

كان أحد أهم الاكتشافات هو كيفية تعامل النظام مع الأنواع المختلفة من المجهولات. اختبر الباحثون النموذج في سيناريوهين: أحدهما حيث كانت الأدوية جديدة ولكن البروتينات مألوفة، والآخر حيث كانت البروتينات جديدة تماماً. ووجدوا أن النظام يستخدم أداتين مختلفتين لحل هذه المشكلات. فعندما يكون البروتين معروفاً، يعتمد النظام على الخريطة المفصلة لتغيرات الجينات التي تعلمها للتنبؤ بالنتيجة. وعندما يكون البروتين جديداً، يعتمد النظام على فهمه العميق للتسلسل الجيني للبروتين لتقديم تخمين مدروس. هذا النهج المزدوج يجعل النظام قوياً، حيث يعمل بشكل جيد سواء واجه دواءً جديداً أو هدفاً جديداً. علاوة على ذلك، أظهر النظام قدرته على نقل معرفته عبر أنواع مختلفة من الخلايا؛ فالموذج الذي تم تدريبه على نوع واحد من خلايا السرطان لا يزال بإمكانه تقديم تنبؤات دقيقة عند تطبيقه على نوع آخر من خلايا السرطان، مما يشير إلى أن القواعد الأساسية لكيفية تأثير هذه البروتينات على الجينات مشتركة عبر سياقات بيولوجية مختلفة.

نظر الفريق أيضاً عن كثب فيما إذا كان النظام يتعلم البيولوجيا بالفعل أم أنه يجد مجرد طرق مختصرة. فقد فحصوا الجينات المحددة التي توقع النظام تغيرها عند حجب هدف ما، وقارنوها ببيانات من العالم الحقيقي من تجارب أخرى. ووجدوا توافقاً قوياً. فعلى سبيل المثال، عندما توقع النظام تأثير حجب بروتين معين مرتبط بالقلب، فإن الجينات التي حددها كأكثر الجينات عرضة للتغير طابقت الجينات التي تغيرت بالفعل في تجارب مستقلة تم فيها إزالة ذلك البروتين. وهذا يشير إلى أن النظام يلتقط إشارات بيولوجية حقيقية بدلاً من مجرد الضجيج الإحصائي. وأشار الباحثون إلى أنه بينما لا تكون التنبؤات مثالية وأحياناً تكون أحجام التأثير صغيرة، فإن القدرة على توليد تفسير على مستوى الجين لعمل الدواء تمثل خطوة كبيرة للأمام؛ فهي توفر وسيلة لتوليد فرضيات حول كيفية عمل الدواء، والتي يمكن اختبارها لاحقاً في المختبر.

رغم هذه النجاحات، يوضح الباحثون بحذر حدود عملهم. فالنظام يعتمد حالياً على بيانات من مجموعة محددة من الخطوط الخلوية السرطانية والأدوية التي تم توصيفها بالفعل في قاعدة البيانات العامة. ولا يمكنه بعد التنبؤ بتأثيرات الهياكل الكيميائية الجديدة تماماً التي لم تُختبر أبداً في المختبر. بالإضافة إلى ذلك، يتنبأ النظام بما إذا كان الدواء سيتفاعل مع هدف ما، لكنه لا يقيس مدى قوة ارتباطهما. كما يقر الباحثون بأن البيانات البيولوجية التي يستخدمونها تأتي من تقنية محددة، وقد تختلف النتائج إذا طُبقت على منصات قياس مختلفة. ومع ذلك، يظل الإنجاز الجوهري قائماً: لقد أثبتوا أنه من الممكن التنبؤ بالتبعات النسخية المفصلة لاستهداف بروتين معين بدقة عالية.

يقدم هذا العمل منظوراً جديداً لكيفية مقاربتنا لاكتشاف الأدوية. فمن خلال تجاوز التنبؤات البسيطة بنعم أو لا، يوفر TDEP نافذة على آلية العمل. فهو يتيح للعلماء رؤية الآثار الجانبية المحتملة أو الفوائد العلاجية لدواء ما من خلال النظر في نمط تغير الجينات المحدد الذي يتنبأ به. ويقترح الباحثون أن هذا النهج يمكن أن يساعد في تحديد أولويات أهداف الأدوية التي تستحق المتابعة، وتوليد أفكار جديدة حول كيفية عمل الأدوية الحالية، وحتى المساعدة في إيجاد استخدامات جديدة للأدوية القديمة. ومع استمرار نمو قواعد البيانات البيولوجية وزيادة تطور نماذج الذكاء الاصطناعي، يمكن لهذه الطريقة في ربط أهداف البروتين بتبعاتها الخلوية الكاملة أن تصبح أداة قياسية في السعي لفهم الأمراض وعلاجها. وتعد هذه الدراسة بمثابة إثبات للمفهوم بأن الجمع بين التسلسلات الجينية وبيانات الاستجابة الخلوية يمكن أن يؤدي إلى رؤى لم يكن لأي من النهجين تحقيقها بمفرده.