Memorization in reaction-conditioned generative enzyme design: folding confidence, database identity, and docking all fail to detect it

إن البيئة مليئة بالمواد الكيميائية الاصطناعية التي لم تتطور الطبيعة لتفكيكها. فمن مثبطات اللهب في الأثاث إلى المبيدات الحشرية في المحاصيل، تستمر هذه المواد لأن الكائنات الحية تفتقر إلى الأدوات البيولوجية لتفكيكها. وقد أمل العلماء طويلاً في هندسة إنزيمات مخصصة — وهي المحفزات المجهرية للطبيعة — لهضم هذه الملوثات وتنظيف الفوضى. وفي السنوات الأخيرة، ظهرت برامج حاسوبية قوية يمكنها كتابة المخططات الجينية لبروتينات جديدة، مما يعد بتصميم هذه الإنزيمات من الصفر بناءً على الكيمياء المحددة للملوث الذي تحتاج إلى تدميره. والفكرة هي تغذية الحاسوب بوصف لمادة كيميائية سامة وأن يقوم هو بإخراج تسلسل بروتيني قادر على تحييدها.

تبحث دراسة جديدة فيما إذا كانت هذه البرامج الحاسوبية تصمم بالفعل أدوات جديدة أم أنها ببساطة تنسخ أدوات قديمة. فقد قامت مجموعة من الباحثين في "تيرام تكنولوجيز" (Terram Technologies) ببناء نظام يسمى "زينوفولد" (XenoFold) لإنتاج إنزيمات لتفكيك المواد الغريبة عن البيئة (xenobiotics)، وهو المصطلح العلمي للملوثات الاصطناعية. قاموا بتدريب النظام على تفاعلات إنزيمية معروفة، ثم طلبوا منه إنشاء مرشحات جديدة لمواد كيميائية مختلفة، بما في ذلك بعض المواد التي ليس لها محلل طبيعي معروف. وأخضع الفريق هذه الإنزيمات المولدة حاسوبياً لسلسلة من الاختبارات الحاسوبية القياسية للتحقق من جودتها، والتحقق مما إذا كان بإمكانها الالتفاف في أشكال مستقرة والارتباط بالمواد الكيميائية المستهدفة. وكشفت النتائج عن فشل مذهل: لم يكن النظام يصمم إنزيمات جديدة على الإطلاق، بل كان يحفظ بيانات التدريب ويعيد إنتاجها بدقة شبه تامة، وهو عيب لم تكتشفه أي من الاختبارات الحاسوبية القياسية المستخدمة للتحقق من العمل تماماً.

بدأ الباحثون بتدريب نموذجهم على خمسة عشر فئة مختلفة من الإنزيمات، عبر الربط بين تفاعلات كيميائية محددة وتسلسلات البروتين التي تقوم بها. ثم طلبوا من النظام توليد إنزيمات جديدة لأربعة سيناريوهات محددة: تفاعلان لإنزيمات طبيعية معروفة جيداً، وتفاعلان يتضمنان ملوثات مثل حمض البيرفلورو أوكتانويك (perfluorooctanoic acid) ومستقلب مبيد حشري محدد ليس له إنزيم طبيعي موثق قادر على تفكيكه. ولضمان أن تكون البروتينات المولدة معقولة، مرر الفريق هذه البروتينات عبر ثلاثة أساليب تحقق حاسوبية مقبولة على نطاق واسع. أولاً، تنبأوا بمدى قدرة البروتين على الالتفاف في شكل ثلاثي الأبعاد، وهو مقياس للاستقرار الهيكلي. ثانياً، قارنوا التسلسلات الجديدة بقاعدة بيانات عامة ضخمة لجميع البروتينات المعروفة لمعرفة ما إذا كانت فريدة من نوعها. ثالثاً، قاموا بمحاكاة مدى قوة ارتباط الإنزيمات الجديدة بموادها الكاسية المستهدفة، وهي خطوة تهدف لإثبات قدرتها على أداء المهمة.

على السطح، بدت النتائج ناجحة. فقد تنبأ الحاسوب بأن الإنزيمات المولدة ستلتف في أشكال مستقرة ومحددة بوضوح وبثقة عالية. وعندما قارن الباحثون هذه التسلسلات الجديدة بقاعدة البيانات العامة للبروتينات، أشارت الدرجات إلى أن التصاميم فريدة ومتميزة عن أي شيء مسجل سابقاً. كما أظهرت عمليات محاكاة الارتباط (docking simulations) درجات بدت وكأنها تشير إلى قدرة الإنزيمات على الارتباط بأهدافها. وبناءً على هذه الضوابب الثلاثة القياسية، بدا أن الدراسة تُظهر في البداية نظاماً ناجحاً لتصميم الإنزيمات الجديدة. ومع ذلك، أدرك الباحثون أن هذه الضوابب القياسية لم تكن تروي القصة كاملة؛ فقد أجروا تحقيقاً أعمق وأكثر مباشرة من خلال مقارنة التسلسلات المولدة ليس بقاعدة البيانات العامة، بل بالقائمة المحددة لأمثلة التدريب التي حفظها الحاسوب أثناء مرحلة التعلم.

كشفت هذه المقارنة المباشرة عن الحقيقة. فعندما فحص الباحثون الإنزيمات المولدة مقابل بيانات التدريب، وجدوا أن 40% من التسلسلات كانت نسخاً مطابقة حرفياً للأمثلة التي رآها الحاسوب من قبل. و40.7% أخرى كانت مشابهة جداً لأمثلة التدريب بحيث لا تختلف عنها إلا بجزء ضئيل من هيكلها. واستمر هذا النمط حتى عندما طُلب من الحاسوب تصميم إنزيمات لملوثات ليس لها محلل طبيعي معروف وكانت غائبة تماماً عن بيانات التدريب. لقد أنتج النظام نفس المعدلات العالية من النسخ بغض النظر عما إذا كان الهدف الكيميائي مألوفاً أم جديداً تماماً. لم يكن الحاسوب يستنتج من الكيمياء الخاصة بالملوث لابتكار حل جديد، بل كان ببساطة يسترجع ويكرر الأنماط التي خزنها في ذاكرته.

كما بحثت الدراسة فيما إذا كان الحاسوب يستخدم بالفعل المعلومات الكيميائية المقدمة إليه. ففي أحد الاختبارات، غذّى الباحثون النظام المدرب بتفاعل كيميائي لا علاقة له بفئة الإنزيم التي تم تدريبه عليها. ولو كان النظام حساساً حقاً للمدخلات الكيميائية، لكان تغيير التفاعل قد غير المخرجات. وبدلاً من ذلك، ظلت الإنزيمات المولدة متطابقة تقريباً مع تلك المنتجة للتفاعل الصحيح، ولم تتغير درجات استقرارها المتوقعة بأي شكل ملموس. وقد أكد هذا أن المدخل الكيميائي كان له تأثير ضئيل أو معدوم على التصميم النهائي؛ إذ كان النظام يتجاهل التعليمات المحددة المتعلقة بالملوث ويعود افتراضياً إلى الأنماط العامة التي تعلمها أثناء التدريب.

كما فحص الباحثون اختبارات الارتباط الحاسوبي (docking tests) التي بدت واعدة في البداية. ووجدوا أن هذه الاختبارات لم تكن قادرة على التمييز بين الإنزيمات المولدة حاسوبياً والإنزيمات الطبيعية التي كان من المفترض أن تحاكيها. والأهم من ذلك، عندما حاول الباحثون استخدام درجات الارتباط لتقدير سرعة عمل الإنزيمات، كانت النتائج غير دقيقة بشكل صارخ. فبالنسبة لإنزيمين طبيعيين معروفين، كانت تقديرات الحاسوب لكفاءتهما خاطئة بعوامل تصل إلى 15,000 ضعف مقارنة بالقياسات الواقعية. وفي إحدى الحالات، وضع الحاسوب إنزيمين في ترتيب عكسي تماماً لترتيب أدائهما الفعلي. ولأن درجات الارتباط فشلت فشلاً ذريعاً في مطابقة الواقع، قام الباحثون بإزالتها من تحليلهم النهائي، مستنتجين أن هذه المحاكاة الحاسوبية القياسية لا يمكن الوثوق بها للتحقق من جودة التصاميم المولدة.

إن النتيجة الجوهرية لهذا العمل هي درس تحذيري حول كيفية التحقق من البيولوجيا المولدة حاسوبياً. توضح الدراسة أن النظام يمكن أن ينتج تسلسلات تبدو مثالية وفقاً للفحوصات الحاسوبية القياسية — حيث تلتف جيداً، وتبدو فريدة في قواعد البيانات العامة، وتسجل درجات جيدة في محاكاة الارتباط — بينما هي في الواقع ليست سوى نسخة من بيانات التدريب. لقد فشلت معظم أدوات التحقق الثلاثة المستخدمة في هذا المجال في اكتشاف عملية الحفظ هذه. ولم يتمكن الباحثون من كشف الخلل إلا من خلال الفحص المباشر للمخرجات مقابل البيانات المحددة التي تعلم منها الحاسوب. ويخلص المؤلف إلى أنه بدون هذه الفحوصات المحددة وغير المكلفة، قد تستند الادعاءات بشأن تصميم إنزيمات جديدة إلى وهم الجدة. إن النظام الذي تم اختباره لا ينتج حالياً إنزيمات جاهزة للاستخدام في العالم الحقيقي، وتشير الدراسة إلى أن المجال بحاجة إلى إعادة التفكير في كيفية التحقق من التصاميم الحاسوبية لضمان كونها جديدة حقاً وليست مجرد ذكريات معاد تدويرها.