From single-sequence structure prediction to protein fitness landscape through a composable, epistasis-aware mutation atlas
يُعد Cerebra-Epistasis إطار عمل متكامل من البداية إلى النهاية يدمج التنبؤ ببنية التسلسل المنفرد مع نمذجة التآثر الجيني الصريح للتنبؤ بدقة بمناظر لياقة البروتين متعدد الطفرات وتمكين الاستدلال السريع بمرة واحدة لمجموعات الطفرات عالية الرتبة.
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 الآلات الجزيئية التي تُبقي الحياة مستمرة، حيث تنطوي لتتخذ أشكالاً ثلاثية الأبعاد معقدة لأداء مهام تتراوح بين هضم الطعام ومكافحة العدوى. لطالما سعى العلماء لإعادة تصميم هذه البروتينات، عبر تعديل مخططاتها الجينية لإنشاء إنزيمات أفضل للصناعة أو أدوية أكثر فعالية. ويكمن التحدي في الحجم الهائل للاحتمالات: إذ يمكن تعديل بروتين واحد بمليارات الطرق المختلفة، ومن المستحيل اختبار كل تغيير على حدة في المختبر. وللتنقل في هذا الفضاء الشاسع، يعتمد الباحثون على النماذج الحاسوبية للتنبؤ بالتغييرات التي ستُحسن وظيفة البروتين وتلك التي ستعطلها. ومع ذلك، كان فهم كيفية تفاعل التغييرات المتعددة مع بعضها البعض عقبة رئيسية. ففي البيولوجيا، غالباً ما يكون تأثير طفرتين معاً ليس مجرد مجموع تأثيراتهما الفردية؛ إذ يمكنهما تضخيم بعضهما البعض أو إلغاء بعضهما البعض بطرق معقدة، وهي ظاهرة تُعرف باسم "الإبستازيس" (epistasis). وقد كان التنبؤ بهذه التفاعلات غير الخطية صعوبة مستمرة، خاصة عند محاولة التنبؤ بسلوك البروتينات ذات الطفرات المتعددة في آن واحد.
يقدم إطار عمل جديد يُدعى "Cerebra-Epistasis"، طوره باحثون في جامعة تسينغهوا وجامعة تشونغنان للاقتصاد والقانون، نهجاً جديداً لهذه المشكلة. فبدلاً من معاملة كل متغير بروتيني محتمل كأحجية فريدة يجب حلها من الصفر، بنى الفريق نظاماً يقوم أولاً برسم خريطة لبنية البروتين ثم ينشئ "أطلساً" قابلاً لإعادة الاستخدام لكيفية تأثير كل تغيير فردي محتمل على تلك البنية. ومن خلال الجمع بين متنبئ بنية سريع أحادي التسلسل وشبكة مصممة لتعلم كيفية تفاعل الطفرات، يمكن للنظام تجميع تنبؤات للبروتينات المعقدة ذات الطفرات المتعددة ببساطة عن طريق سحب البيانات من هذه الخريطة المعدة مسبقاً. وتسمح هذه الطريقة للنموذج برؤية السياق ثلاثي الأبعاد للبروتين، وفهم أن البقايا (residues) التي تفصلها مسافات بعيدة في التسلسل الجيني قد تكون جيراناً قريبين في الشكل المطوي، مما يؤثر على سلوك بعضها البعض.
اختبر الباحثون نظامهم مقابل الأساليب القائمة باستخدام مجموعة متنوعة من مجموعات البيانات البروتينية. وفي الاختبارات القياسية التي تشمل ملايين المتغيرات، تفوق "Cerebra-Epistasis" على النماذج الرائدة الأخرى في التنبؤ بمدى جودة وظيفة البروتين. وأصبح تفوقه أكثر وضوحاً مع زيادة تعقيد الطفرات؛ فبينما عانت النماذج الأخرى في التنبؤ بسلوك البروتينات ذات الثلاث طفرات أو أكثر، حافظ "Cerebra-Epistasis" على دقة عالية، مما يشير إلى أنه نجح في استيعاب القواعد الخفية لكيفية اجتماع الطفرات. كما كان النظام قادراً على التنبؤ بتفاعلات غير مرئية بين أزواج من الطفرات لم يسبق له رؤيتها أثناء التدريب، وهي قدرة حاسمة لتصميم بروتينات جديدة من الصفر. وفي دراسات حالة محددة، مثل تحليل إنزيم "تريبتوفان سينثيز" (tryptophan synthase)، حدد النموذج بشكل صحيح أقوى التفاعلات المفيدة بين الأحماض الأمينية وربطها بالمواقع الفيزيائية الصحيحة داخل بنية البروتين.
بعيداً عن الدقة، قدم النظام قفزة نوعية في السرعة. تتطلب الطرق التقليدية من الحاسوب تحليل بنية وتسلسل كل بروتين مرشح بشكل فردي، وهي عملية تصبح أبطأ بشكل أسّي مع نمو عدد المتغيرات المحتملة. وفي المقابل، يقوم "Cerebra-Epistasis" بترميز البروتين الأصلي غير المتحور مرة واحدة فقط لإنشاء الأطلس الخاص به. وبمجرد بناء هذا الأطلس، يمكن للنظام تقييم ملايين التركيبات المحتملة فوراً عن طريق استرجاع وتجميع الأجزاء ذات الصلة من البيانات. وقدر الباحثون أن فحص مشهد كامل لجميع متغيرات الطفرات الثلاث لبروتين نموذجي سيستغرق من نظامهم بضع دقائق فقط، بينما ستتطلب النماذج الرائدة الأخرى أياماً أو حتى سنوات لإكمال المهمة نفسها. ويفتح هذا الكفاءة الباب لاستكشاف مناطق شاسعة من الفضاء البروتيني كانت في السابق مكلفة جداً من الناحية الحسابية للتحقيق فيها.
كما بحثت الدراسة فيما إذا كان تدريب متنبئ البنية ومتنبئ اللياقة (fitness) معاً، بدلاً من تدريبهما بشكل منفصل، سيؤدي إلى نتائج أفضل. ووجدوا أن السماح للجزءين من النظام بالتعلم من بعضهما البعض حسن دقة تنبؤات اللياقة دون إضعاف جودة الخرائط الهيكلية. وهذا يشير إلى أن السياق الهيكلي ليس مجرد خلفية ثابتة، بل هو مكون نشط يمكن ضبطه بدقة لفهم كيفية تأثير الطفرات على الوظيفة بشكل أفضل. وبينما يعتمد النظام على بنية البروتين الأصلية ولا يأخذ في الاعتبار بعد التغيرات الجذرية في الشكل الناتجة عن الطفرات، إلا أنه يمثل خطوة قوية نحو جعل هندسة البروتين أكثر قابلية للتنبؤ وكفاءة. ومن خلال تحويل مشكلة بحث ضخمة وفوضوية إلى مهمة تجميع منظمة، يوفر هذا العمل أداة جديدة للعلماء لتصميم الجيل القادم من الأدوات البيولوجية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.