تقدم هذه الدراسة إطار عمل متكامل لتعلم الآلة باستخدام خوارزمية XGBoost للتنبؤ بكيفية تأثير طفرات بروتين غليكوبروتين فيروس لاسا على دخول الفيروس وهروب الأجسام المضادة، مما يساهم في تحديد الحوات المستقرة وتوجيه تصميم لقاحات وعلاجات فعالة على نطاق واسع.
المؤلفون الأصليون:Oluremi Israel Ajayi, Blessing Oluwatobi Olorunfemi, Jolly Amoche Adole, Amoge Chidinma Ogu, Ifeoluwa O. Bejide, Blossom Akinnawo, Christian T. Happi, Chinedu A. Ugwu
المؤلفون الأصليون: Oluremi Israel Ajayi, Blessing Oluwatobi Olorunfemi, Jolly Amoche Adole, Amoge Chidinma Ogu, Ifeoluwa O. Bejide, Blossom Akinnawo, Christian T. Happi, Chinedu A. Ugwu
في عالم الأمراض المعدية المزدحم، تُعد بعض الفيروسات أساتذة في التنكر، حيث تعيد باستمرار تشكيل هياكلها الخارجية للإفلات من دفاعات الجهاز المناعي. أحد هذه الفيروسات هو فيروس لاسا، وهو ممرض خطير يسبب حمى نزفية شديدة في غرب أفريقيا. يحمل الفيروس مجموعة محددة من البروتينات على سطحه، تعمل مثل مفتاح يفتح الباب لخلايا الإنسان. هذا الهيكل السطحي هو نقطة الاتصال الوحيدة للفيروس مع العالم الخارجي، مما يجعله الهدف الرئيسي للأجسام المضادة في الجسم وتركيز أي لقاح محتمل. ولأن الفيروس يتكاثر بسرعة ويرتكب أخطاء نسخ متكررة، فإن هذه البروتينات السطحية تتغير باستمرار. بعض التغييرات تساعد الفيروس على دخول الخلايا بسهء أكبر، بينما تسمح تغييرات أخرى له بالتسلل بعيداً عن الأجسام المضادة التي من شأنها عادةً أن تحيّد مفعوله. إن فهم أي التغييرات هي غير ضارة، وأيها خطيرة، وأيها يسمح للفيروس بالإفلات من الكشف أمر بالغ الأهمية لتطوير علاجات يمكنها مواكبة التطور السريع للفيروس.
وضع فريق من الباحثين في جامعة ريدييمر في نيجيريا هدفاً لرسم خرائط هذه التغييرات باستخدام نهج حوسبي قوي. وبدلاً من الانتظار لرؤية كيفية سلوك الفيروس في المختبر لكل تغيير ممكن على حد- سواء، قاموا ببناء نظام تنبؤ رقمي. لقد جمعوا بيانات من تجارب سابقة حيث اختبر العلماء بالفعل آلاف التغييرات المحددة في بروتينات سطح فيروس لاسا. وباستخدام هذا السجل التاريخي، درب الباحثون خوارزميات حاسوبية للتعرف على الأنماط. كان الهدف هو تعليم الحاسوب كيفية النظر إلى تغيير محدد في كود البروتين — موقع التغيير، واللبنة الأصلية، واللبنة الجديدة التي تحل محلها — والتنبؤ بشيئين: ما إذا كان الفيروس سيظل قادراً على دخول الخلية بفعالية، وما إذا كان هذا التغيير سيساعد الفيروس على الهروب من أجسام مضادة محددة.
اختبر الباحثون أنواعاً مختلفة من نماذج تعلم الآلة لمعرفة أي منها يمكنه تعلم الأنماط الأكثر دقة. ووجدوا أن النهج الأكثر نجاحاً كان طريقة تبني "غابة" واسعة من أشجار القرار، حيث تضع كل شجرة تخميناً صغيراً وتدمج المجموعة إجاباتها للوصول إلى استنتاج نهائي. وقد أثبتت هذه الطريقة تفوقها بمراحل على النماذج الأبسط التي تحاول رسم خطوط مستقيمة عبر البيانات. وعند اختبارها على طفرات جديدة لم تُشاهد من قبل، حدد هذا النموذج الأعلى أداءً بشكل صحيح ما إذا كانت الطفرة ستمنع الفيروس من دخول الخلايا بنسبة 87 في المئة تقريباً. وكشف التحليل عن توازن رائع في تطور الفيروس؛ فعبر المجموعات الثلاث الرئيسية لفيروس لاسا المنتشرة في المنطقة، كانت الطفرات التي سمحت للفيروس بدخول الخلايا وتلك التي منعت ذلك متساوية الانتشار تقريباً. يشير هذا إلى أن الفيروس يعيش في حالة توازن دقيق على حبل مشدود، حيث يمكن حدوث العديد من التغييرات، ولكن يجب أن يظل الهيكل مستقراً بما يكفي لأداء وظائفه.
ولعل الاكتشاف الأكثر أهمية تعلق بكيفية تعامل الأجسام المضادة المختلفة مع هذه الطفرات. فقد اكتشف الباحثون أن قدرة الفيروس على الهروب من جسم مضاد تعتمد كلياً على الجزء الذي يستهدفه الجسم المضاد من الفيروس. فالأجسام المضادة، التي تلتصق بالأجزاء المرنة من سطح الفيروس، واجهت مشهداً واسعاً من طرق الهروب المحتملة؛ حيث يمكن للفيروس أن يتغير بطرق عديدة لتجنبها. أما الأجماء المضادة الأخرى، التي تستهدف الأجزاء الصلبة والأساسية من هيكل الفيروس، فقد واجهت مشهداً أكثر تقييداً للهروب. وبالنسبة لهذه الأجسام المضادة، كان لدى الفيروس خيارات قليلة جداً للتغيير دون كسر قدرته على إصابة الخلايا. وأظهرت الدراسة أن جسماً مضاداً واحداً بعينه، المعروف باسم 25.10C، كان الأكثر عرضة للهروب، بينما كانت أجسام مضادة أخرى، مثل 37.2D و37.7H، أصعب بكثير في مراوغة الفيروس.
يوفر هذا العمل أداة عملية للعلماء لتحديد أولويات الطفرات التي يجب مراقبتها والأجسام المضادة التي يجب دمجها لتحقيق أفضل حماية. ومن خلال تحديد أجزاء الفيروس التي تعتبر مهمة جداً لدرجة لا يمكن تغييرها، سلط الباحثون الضوء على أهداف للقاحات من غير المرجح أن تهزمها الطفرات المستقبلية. وتؤكد الدراسة أنه بينما يتغير فيروس لاسا باستمرار، فإن حاجته للبقاء وظيفياً تحد من المدى الذي يمكنه الوصول إليه. لقد نجحت النماذج الحاسوبية في التقاط هذه القواعد البيولوجية، مما يوفر وسيلة لتوقع تحركات الفيروس التالية وتصميم علاجات تبقى دائماً متقدمة بخطوة عليه.
ملخص تقني: التنبؤ بطفرات بروتين غليكوبروتين فيروس لاسا التي تؤثر على دخول الفيروس والهروب من الأجسام المضادة
بيان المشكلة لا يزال فيروس لاسا (LASV) يشكل تحديًا حرجًا للصحة العامة في غرب أفريقيا نظرًا لارتفاع معدلات المراضة والوفيات وتنوعه الجيني الواسع. ويتمثل أحد العوائق الرئيسية للسيطرة على الفيروس في عدم توفر لقاحات فعالة وواسعة النطاق أو علاجات تعتمد على الأجسام المضادة. ويعد معقد البروتين السكري للفيروس (GPC) هو البروتين السطحي الوحيد المسؤول عن الارتباط بالمستقبل والاندماج الغشائي، مما يجعله الهدف الرئيسي للأجسام المضادة المحيدة. ومع ذلك، يخضع الـ GPC لضغط مناعي شديد، مما يؤدي إلى طفرات يمكن أن تغير كفاءة دخول الفيروس وتمكنه من الهروب من التحييد بوساطة الأجسام المضادة. وبينما تم تطبيق التعلم الآلي (ML) بنجاح للتنبؤ بتأثيرات الطفرات في فيروسات مثل سارس-كوف-2 والإنفلونزا، إلا أن هناك بيانات محدودة حول تطبيق هذه الأساليب على بروتين GPC لفيروس لاسا المتنوع جينيًا للتنبؤ بالنتائج البيولوجية مثل القدرة على الدخول والهروب من الأجسام المضادّة.
المنهجية طورت الدراسة إطار عمل متكامل للتعلم الآلي للتنبؤ بالتأثير الوظيفي لاستبدالات الأحماض الأمينية داخل GPC الخاص بفيروس لاسا. وقد تم تقسيم النهج إلى مهمتين رئيسيتين:
التنبؤ بدخول الفيروس (التصنيف الثنائي):
البيانات: تضمنت مجموعة البيانات 7,489 استبدالًا للأحماض الأمينية تم التحقق منها تجريبيًا من خلال اختبارات دخول الفيروسات الكاذبة واختبارات التحييد، والتي تم ربطها بتسلسل مرجعي لـ GPC (السلالة الرابعة، سلالة جوزيا).
الميزات: استخدم النموذج ثلاث ميزات أساسية: موقع الطفرة (المؤشر الموضعي)، والثمالة البرية (wild-type)، والثمالة الطافرة.
النماذج: تمت مقارنة أداء أربع خوارزميات تعلم تحت الإشراف: الغابة العشوائية (Random Forest)، وآلة ناقلات الدعم (SVM)، وXGBoost، وCatBoost.
التحقق: تم استخدام تقسيم طبقي بنسبة 75:25 للتدريب والتحقق. وتم تقييم الأداء باستخدام ROC-AUC، والدقة (precision)، والاستدعاء (recall)، والدقة الإجمالية (accuracy)، مع التركيز على منع تسرب المعلومات من خلال بروتوكولات معالجة مسبقة صارمة.
التنبؤ بالهروب من الأجسام المضادة (الانحدار):
البيانات: استخدمت الدراسة بيانات الطفرات المرتبطة بستة أجسام مضادة أحادية النسيلة محددة (8.9F, 12.1F, 25.10C, 25.6A, 37.2D, 37.7H).
النماذج: تم تدريب نماذج الانحدار للتنبؤ بقيم الهروب بناءً على موقع الطفرة، والثمالة البرية، والثمالة الطافرة.
التحليل: تم تقييم الأداء باستخدام جذر متوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE)، ومعامل ارتباط بيرسون (r)، ومعامل التحديد (R2).
النتائج الرئيسية
التنبؤ بدخول الفيروس: تفوقت طرق التجميع القائمة على الأشجار بشكل كبير على الخوارزميات الخطية والخوارزميات ذات الشجرة الواحدة. برز نموذج XGBoost كأفضل النماذج أداءً، حيث حقق ROC-AUC قدره 0.871 بعد ضبط المعلمات الفائقة (مقارنة بـ 0.841 لـ CatBoost، و0.799 لـ Random Forest، و0.622 لـ SVM). وأظهر النموذج القدرة على التمييز بين الطفرات القادرة على الدخول والطفرات ضعيفة الدخول بدقة عالية بلغت 79.8% ودقة (precision) بلغت 79.2%.
توزيع الطفرات عبر السلالات: كشف التحليل عبر السلالات الأولى والثانية والثالثة أن الطفرات القادرة على الدخول (حوالي 53%) والطفرات ضعيفة الدخول (حوالي 47%) تحدث بنسب متساوية تقريبًا. ومن الجدير بالذكر أنه تم العثور على 3,923 طفرة مشتركة بين جميع السلالات الثلاث (والتي تمثل تقاطع مجموعات الطفرات التي تم تحليلها)، بينما كانت الطفرات الخاصة بكل سلالة أقل بكثير (تتراوح بين 240 و265 لكل سلالة)، مما يشير إلى قيود تطورية قوية على بنية GPC.
ملفات الهروب من الأجسام المضادة: تباين الأداء التنبؤي للهروب من الأجسام المضادة بشكل كبير حسب الجسم المضاد، مما يشير إلى أن مشهد الهروب يعتمد على الحاتمة (epitope) وليس موحدًا.
أظهر 25.10C أوسع مشهد هروب متوقع مع أعلى متوسط هندسي لقيمة الهروب، مما يشير إلى ضعف شديد تجاه الطفرات.
أظهرت الأجسام المضادة 37.2D و37.7H ملفات هروب مقيدة مع قيم هروب منخفضة باستمرار (أقل من 0.7)، مما يشير إلى أنها تستهدف حواتم محفوظة ومقيدة وظيفيًا.
نجحت نماذج الانحدار عمومًا في التقاط ترتيب تأثيرات الطفرات ولكنها أظهرت ارتباطًا كميًا منخفضًا (R2 تراوحت قيمها بين 0.01 و0.49)، مع أفضل أداء لوحظ في مجموعات بيانات 8.9F و25.6A.
الأهمية والادعاءات يزعم المؤلفون أن هذه الدراسة توفر إطار عمل حوسبي عملي لتحديد أولويات الطفرات ذات الأهمية الوظيفية في GPC الخاص بفيروس لاسا. وتشمل المساهمات الرئيسية ما يلي:
التحقق من فعالية التعلم الآلي لفيروس لاسا: تثبت الدراسة أن التعلم الآلي، وخاصة تعزيز التدرج (XGBoost)، يمكنه بفعالية نمذجة العلاقات غير الخطية بين استبدالات الأحماض الأمينية والأنماط الظاهرية لدخول الفيروس في فيروس لاسا، حتى مع وجود مجموعة محدودة من الميزات القائمة على التسلسل.
تحديد الأهداف المحفوظة: إن حقيقة أن غالبية الطفرات مشتركة عبر السلالات، وأن أجسامًا مضادة معينة (37.2D، 37.7H) تستهدف حواتم ذات إمكانات هروب مقيدة، تدعم تحديد هذه المناطق كأهداف واعدة للقاحات واسعة النطاق وعلاجات الأجسام المضادة المجموعاتية.
التوجيه الاستراتيجي للعلاجات: تشير ملفات الهروب المتباينة إلى ضر أن تصميم العلاجات بالأجسام المضادة يجب أن يكون في شكل مجموعات تستهدف حواتم متميزة (على سبيل المثال، الجمع بين أجسام مضادة تستهدف GPC-A وGPC-B وGPC-C) لتقليل خطر الهروب الفيروسي. وهذا يتماشى مع المنطق وراء مجموعات مثل Arevirumab-3.
فائدة المراقبة: يوفر إطار العمل أداة للمراقبة الجينية لاستباق التطور الفيروسي وتحديد الطفرات التي قد تضعف استراتيجيات السيطرة الحالية أو المستقبلية.
تخلص الورقة إلى أنه بينما نجحت النماذج في التقاط الاتجاهات ذات الصلة بيولوجيًا باستخدام ميزات دنيا، يمكن تحسين الإصدارات المستقبلية من خلال دمج البيانات الهيكلية، وأنماط الارتباط بالجليكوزيل (glycosylation)، وإمكانية الوصول إلى المذيب لزيادة دقة التنبؤ باللياقة الفيروسية والتهرب المناعي.