Generative Molecular Design for Senescence-Associated Secretory Phenotype (SASP) Reversal: A REINVENT4 Pipeline Trained on Real LINCS L1000 Transcriptomic Data
تقدم هذه الدراسة مسار عمل REINVENT4 مدرباً على بيانات LINCS L1000 النسخية الحقيقية، نجح في توليد جزيئات جديدة شبيهة بالأدوية يُتوقع أن تعكس النمط الظاهري الإفرازي المرتبط بالشيخوخة (SASP)، مع تحديد ومعالجة نمط فشل حرج يتمثل في انهيار الهيكل (scaffold-collapse) من خلال تصفية التنوع وضبط المكافأة.
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
مع تقدمنا في العمر، لا تتلاشى خلايانا ببساطة؛ بل تدخل العديد منها في حالة من التوقف الدائم. فهي تتوقف عن الانقسام لكنها ترفض الموت، وتظل عالقة في الجسم مثل مستأجرين صامتين وعنيدين. وبينما تكون هذه الخلايا الخاملة غير ضارة بأعداد صغيرة، إلا أنها تتراكم بمرور الوقت وتبدأ في إفراز كوكتيل سام من الإشارات الالتهابية. هذا الإفراز، المعروف باسم النمط الظاهري الإفرازي المرتبط بالشيخوخة (SASP)، يعمل مثل حريق بطيء الاشتعال، حيث يدمر الأنسجة السليمة المحيطة به ويدفع بعملية الشيخوخة وكذلك الأمراض المرتبطة بالعمر. لطالما سعى العلماء لإيجاد طريقة لعكس هذا الضرر، آملين في العثور على جزيء يمكنه إسكات هذه الإشارات الالتهابية واستعادة توازن الجسم. وكان التحدي يكمن في العثور على المفتاح الكيميائي الصحيح لفتح هذا المشكل المحدد دون التسبب في ضرر في مكان آخر.
لقد اتخذ باحث في جامعة إيجة خطوة جريئة نحو حل هذا اللغز من خلال تعليم الكمبيوتر تصميم جزيئات جديدة من الصفر. فبدلاً من اختبار آلاف المواد الكيميائية الموجودة في المختبر، استخدم نظام ذكاء اصطناعي قوي لتخيل وبناء هياكل جديدة تماماً. كان الهدف هو إنشاء مركبات يمكنها تحديداً عكس البصمة السامة لهذه الخلايا الهرمة. ولتدريب هذا المعماري الرقمي، قام الباحث بتغذيته بمكتبة ضخمة من البيانات الواقعية: تأثير أكثر من 21,000 مركب مختلف على الخلايا البشرية، والمسجلة في قاعدة بيانات عامة تُعرف باسم LINCS. وقد ركز انتباه الكمبيوتر على قائمة محددة تضم 106 جيناً تعمل كبصمة للشيخوخة الخلوية. كانت مهمة الكمبيوتر هي تعلم العلاقة بين شكل الجزيء وقدرته على خفض مستوى صوت هذه الجينات الهرمة.
بدأت العملية بعقبة كبيرة. حاول الباحث أولاً استخدام نموذج حاسوبي موجود ومُدرب مسبقاً، كان من المفترض أن يتنبأ بكيفية تأثير المواد الكيميائية على الجينات. ومع ذلك، عندما اختبر هذا النموذج مقابل أدوية معروفة تشتهر بمحاربة الشيخوخة، فشل تماماً. فقد توقع النموذج بشكل خاطئ أن هذه الأدوية المفيدة ستجعل الشيخوخة تسوء. كان هذا الفشل اكتشافاً حاسماً في حد ذاته؛ فقد أظهر أن الاعتماد على أداة جاهزة وعامة يمكن أن يقود العلماء إلى الطريق الخطأ. بدلاً من ذلك، بنى الباحث أداة تنبؤ خاصة به، أو "عرافاً" (oracle)، تم تدريبه مباشرة على البيانات التجريبية الحقيقية. تعلمت هذه الأداة الجديدة التعرف على السمات الكيميائية المرتبطة بعكس بصمة الشيخوخة، مما خلق دليلاً موثوقاً لعملية التصميم.
مع وجود هذا الدليل المخصص، أطلق الباحث مسار تعلم تعزيزي، وهي طريقة يقوم فيها الكمبيوتر بتوليد ملايين الجزيئات المرشحة ويتعلم من نجاحاته وإخفاقاته. تم مكافأة النظام لإنشاء جزيئات تشبه الأدوية الحقيقية، وتكون مبتكرة كيميائياً، ويمكن تصنيعها في المختبر، مع تسجيل درجات عالية في قدرتها على عكس بصمة الشيخوخة. في المحاولة الأولى، وقع الكمبيوتر في فخ؛ فقد اكتشف أن هيكلاً كيميائياً بسيطاً وشائعاً كان من السهل توليده وحصل على درجة جيدة، فبدأ في إنتاج آلاف النسخ المتطابقة تقريباً من هذا الهيكل الواحد. يُعرف هذا بـ "انهيار النمط" (mode collapse)، حيث يتوقف النظام عن الاستكشاف ويعلق عند إجابة واحدة سهلة. أدرك الباحث هذا الخطأ وقام بتعديل قواعد النظام، عبر تشديد المتطلبات الخاصة بالتنوع وخفض الضغط لإيجاد درجة مثالية فوراً.
في المحاولة الثانية المصححة، استكشف الكمبيوتر مشهداً أوسع بكثير من الاحتمالات الكيميائية. لقد ولد أكثر من 92,000 جزيء فريد وصالح، حيث امتلك الغالبية العظمى منها هياكل كيميائية متميزة بدلاً من تكرار نفس النمط. كانت النتائج واعدة: كان متوسط درجات هذه الجزيئات الجديدة المصممة حاسوبياً أعلى بكثير من متوسط المكتبة الكاملة المكونة من 21,000 مركب حقيقي استُخدمت في التدريب. يشير هذا إلى أن النظام لم يقم بمجرد حفظ الأدوية الموجودة، بل اكتشف بالفعل أنماطاً كيميائية جديدة اقترحت البيانات أنها ستكون فعالة. ومن بين المرشحين الأوائل، ظهر نمط هيكلي محدد — وهو شكل حلقي مع مجموعات كيميائية ملحقة — بشكل متكرر، ومع ذلك كان هذا الشكل تحديداً غائباً تماماً عن مكتبة التدريب الأصلية. يشير هذا إلى أن النظام وجد اتجاهاً جديداً حقيقياً لتصميم الأدوية بدلاً من مجرد نسخ ما رآه من قبل.
تخلص الدراسة إلى أنه من الممكن استخدام البيانات العامة والبرمجيات مفتوحة المصدر لتصميم جزيئات جديدة تستهدف البيولوجيا المحددة للشيخوخة. لقد قدم الباحث مساراً كاملاً وقابلاً للتكرار يمكن للآخرين استخدامه لمعالجة مشكلات مماثلة. ومع ذلك، فهو حذر من أن هذه مجرد مرشحات افتراضية؛ إذ لم يتم إجراء أي تصنيع فيزيائي أو اختبار مخبري بعد. الجزيئات توجد فقط كنماذج حاسوبية، وتظل قدرتها على عكس الشيخوخة في الكائنات الحية بحاجة إلى إثبات. يعمل هذا العمل كإثبات للمفهوم، موضحاً أنه من خلال الجمع بين البيانات البيولوجية الحقيقية والتصميم التوليدي، يمكن للعلماء التنقل في الفضاء الكيميائي الشاسع للعثور على حلول مبتكرة للأمراض المعقدة، بشرط أن يظلوا يقظين تجاه عثرات التصميم الآلي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.