Shetti-AI: Precise prediction of protein sequence mutational landscapes to accelerate functional assays
يُعد Shetti-AI إطاراً حوسبياً يدمج الخصائص الفيزيائية الكيميائية، والمسافات الجينية، والشبكات التنافسية التوليدية للتنبؤ بالمشاهد الطفرية للبروتينات وتوليد متغيرات مُحسّنة شبيهة بالنماذج (motif-like)، مما يسرع المقايسات الوظيفية ويقلل من مساحات البحث التجريبية في البيولوجيا التخليقية وعلم الفيروسات.
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
تُعد البروتينات هي "خيول العمل" في الحياة، وهي عبارة عن آلات دقيقة مبنية من سلاسل من الأحماض الأمينية التي تنطوي لتشكل أشكالاً معقدة لأداء مهام محددة. وداخل هذه السلاسل الطويلة، غالباً ما تعمل تسلسلات قصيرة تتكون من بضعة أحماض أمينية فقط كـ "مفاتيح" حيوية أو نقاط إرساء، تُعرف باسم "النماذج" (motifs). وتحدد هذه المناطق الصغيرة كيفية تفاعل البروتين مع الجزيئات الأخرى، حيث يمكن لتغيير واحد في أحد هذه الحروف أن يغير سلوك البروتين بأكمبه. لطالما عرف العلماء أنه لفهم البروتين، يجب عليهم فهم هذه النماذج. ومع ذلك، فإن اختبار كل التغييرات المحتملة لهذه التسلسلات القصيرة في المختبر هو مهمة بطيئة ومكلفة، وغالباً ما تكون مستحيلة؛ فالمساحة المتاحة للتغييرات المحتملة شاسعة جداً بحيث لا يمكن استكشافها يدوياً، مما يترك الباحثين في حيرة من أمرهم للتخمين حول أي التغييرات قد تنجح وأيها ستفشل.
ولحل هذه المشكلة، طور باحث يدعى هيثم شبلي أداة حوسبية جديدة تسمى "Shetti-AI". صُمم هذا النظام للتنبؤ بالتغييرات في نماذج البروتينات القصيرة التي يُحتمل أن تكون ناجحة قبل أن يدخل العالم إلى المختبر. وبدلاً من الاعتماد فقط على كيفية تطور البروتينات في الطبيعة في الماضي، ينظر نظام "Shetti-AI" إلى المستقبل، محاكياً كيف يمكن للبروتين أن يتغير. يبدأ النظام بنموذج معروف وفعال، ثم يولد قائمة من المرشحات الجديدة والمشابهة. ويقوم النظام بذلك عبر موازنة عاملين رئيسيين: مدى سهولة إجراء التغيير في الشفرة الوراثية للخلية، ومدى قدرة الأحماض الأمينية الجديدة على الحفاظ على الخصائص الفيزيائية اللازمة لعمل البروتين. ومن خلال تصفية الخيارات غير المرجحة وتسليط الضوء على الأكثر واعداً، تهدف الأداة إلى تقليص مساحة البحث الهائلة إلى قائمة يمكن التحكم فيها من التجارب.
تسلط الورقة البحثية الضوء على مشكلة محددة في أدوات الذكاء الاصطناعي الحالية المستخدمة في علم الأحياء. فالعديد من البرامج الحديثة، والتي تُسمى غالباً "نماذج لغة البروتين"، بارعة في رصد الأنماط العامة في كميات هائلة من البيانات الجينية، ومع ذلك، فهي تعاني في التعامل مع التفاصيل الدقيقة لهذه النماذج القصيرة. فعلى سبيل المثال، قد تعامل هذه الأدوات تسلسلين مختلفين تماماً على أنهما متطابقان تقريباً لأنهما يبدوان متشابهين على نطاق واسع، حتى لو كان تغييراً طفيفاً في أحدهما سيؤدي إلى كسر قدرة البروتين على الارتباط بهدفه. ويشير المؤلف إلى أن هذه الأدوات الحالية غالباً ما تغفل عن الاختلافات الفيزيائية الدقيقة بين الأحماض الأمينية، مثل استبدال جسيم مشحون بآخر محايد، وهو ما يمكن أن يدمر وظيفة البروتين تماماً. وقد بُني "Shetti-AI" خصيصاً لمعالجة هذه الفجوة من خلال التركيز على القواعد الفيزيائية والوراثية الدقيقة التي تحكم هذه المناطق الصغيرة والحيوية.
يعمل الإطار من خلال أخذ نموذج تم التحقق منه، وهو تسلسل قصير معروف بفعاليته في الطبيعة، ثم رسم خصائصه في ملف تعريف رقمي مفصل. يأخذ هذا الملف في الاعية ثمانية عشر خاصية فيزيائية مختلفة للأحماض الأمينية، مثل الحجم، والشحنة، وكيفية تفاعلها مع الماء. ثم يستخدم النظام سلسلة من النماذج الرياضية لتوليد متغيرات جديدة. يعمل جزء من النظام كمرشح محافظ، يتحقق مما إذا كان التغيير الواحد متاحاً وراثياً ومتشابهاً فيزيائياً مع الأصل. بينما يستخدم جزء آخر نهجاً توليدياً أكثر تقدماً لتخيل تركيبات جديدة تماماً من الأحماض الأمينية التي قد لا تكون موجودة في الطبيعة بعد، ولكنها لا تزال تتبع قواعد الفيزياء. ثم يتم ترتيب هذه المرشحات المولدة بناءً على درجة تزن احتمالية نجاحها مقابل صعوبة إنشائها وراثياً.
وفي اختبار النظام، استخدم الباحثون نموذجاً معروفاً يشارك في تنظيم البروتينات البشرية كمعيار مرجعي. نجحت الأداة في تحديد المتغيرات المعروفة بوظائفها في الطبيعة، مثل التسلسلات التي تختلف بمقدار حرف أو حرفين ولكنها تحافظ على نفس الشكل والسلوك. والأهم من ذلك، اقترح الجزء التوليدي من النظام تسلسلات جديدة ومبتكرة تشترك في نفس الخصائص الفيزيائية مع النموذج الأصلي. وعند مقارنتها بتسلسل ضابط كان من المعروف أنه مختلف، حددت الأداة بشكل صحيح أن المرشحات الجديدة كانت أقرب بكثير إلى الأصل الفعال. وأظهرت النتائج أنه بينما كانت بعض النماذج أفضل في إيجاد التغييرات الصغيرة والآمنة، كانت نماذج أخرى قادرة على استكشاف احتمالات أكثر بعداً، مما يوفر مجموعة من الخيارات اعتماداً على ما يحتاجه الباحث.
تشير الورقة البحثية إلى أن هذا النهج قد يكون مفيداً بشكل خاص لدراسة الفيروسات الناشئة، حيث يمتلك العلماء وقتاً محدوداً جداً لاختبار المتغيرات الجديدة. فمن خلال استخدام نموذج معروف من فيروس ذي صلة كنقطة انطلاق، يمكن للأداة بسرعة توليد قائمة من المرشحين المحتملين لاختبارهم في المختبر، مما يسرع عملية الاكتشاف. كما توفر طريقة لتصميم بروتينات مخصصة للبيولوجيا التخليقية، مما يسمح للباحثين بإنشاء أدوات جديدة ذات خصائص فيزيائية محددة دون الحاجة إلى تخليق آلاف النسخ الفاشلة. ويشير المؤلف إلى أن النظام مرن؛ حيث يمكن للباحثين ضبط الإعدادات لتكون صارمة جداً، بالبحث فقط عن التغييرات التي تكاد تكون مطابقة للأصل، أو لتكون أكثر استكشافية، بالبحث عن تصميمات جديدة وجريئة.
في نهاية المطاف، لا يحل "Shetti-AI" محل الحاجة إلى التجارب المختبرية، ولكنه يغير الترتيب الذي تحدث به. فبدلاً من اختبار التخمينات العشوائية، يمكن للعلماء استخدام الأداة لمنح الأولوية للمرشحين الأكثر واعدية، مما يوفر الوقت والموارد. يجسد النظام الجسر الرابط بين القواعد الصارمة لعلم الوراثة والاحتمالات المرنة لتصميم البروتين، مما يوفر وسيلة للتنقل في المشهد الواسع للطفرات المحتملة بثقة. ومن خلال التركيز على الواقع الفيزيائي لكيفية عمل البروتينات، بدلاً من مجرد الأنماط الإحصائية، توفر الأداة مساراً أوضح لفهم كيفية تكيف الحياة وكيف يمكننا هندستها من أجل المستقبل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.