AminoGrapes: Structure-Weighted Evolutionary Scoring for Viral Protein Fitness Prediction
تقيم هذه الورقة البحثية AminoGrapes، وهو أسلوب تقييم تطوري يعتمد على الوزن الهيكلي وخالٍ من المعلمات للتنبؤ بلياقة البروتين الفيروسي، وتجد أنه رغم تفوقه الملحوظ على نموذج اللغة ESM2-650M في الاختبارات الفيروسية، إلا أنه فشل في مضاهاة أفضل الطرق الحالية أو تحسين أداء النماذج التجميعية، ويرجع ذلك على الأرجه إلى خيارات التصميم المتأثرة بالمعرفة المسبقة بنتائج المعايير المرجعية.
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 الفيروسات أساتذة في التغيير؛ فمن أجل البقاء، تعيد كتابة تعليماتها الجينية باستمرار، مستبدلةً لبنات بناء صغيرة تسمى الأحماض الأمينية للهروب من أجهزتنا المناعية أو لتصبح أكثر قدرة على إصابة الخلايا. ويرغب العلماء في التنبؤ بأي من هذه التغييرات سيساعد الفيروس وأيها سيعطل عمله، وهي مهمة حاسمة لتصميم اللقاحات وفهم كيفية انتشار الأمراض. ويكمكم التحدي في أن الفيروسات تتطور بسرعة كبيرة بحيث توجد غالبًا أمثلة قليلة جدًا لدراستها، مما يجعل من الصعب تعلم قواعدها. تقليديًا، استخدم الباحثون طريقتين رئيسيتين لتخمين نتيجة الطفرة؛ تعتمد إحدى الطريقتين على النظر في التاريخ، عبر مسح آلاف التسلسلات الفيروسية ذات الصلال لترى أي الأجزاء ظلت ثابتة بمرور الوقت؛ فإذا لم يتغير موقع ما أبدًا، فمن المرجح أنه ضروري. أما الطريقة الأخرى فتعتمد على الشكل الفيزيائي للبروتين، مع معرفة أن التغييرات في النواة المكتظة والمخفية للجزيء من المرجح أن تسبب ضررًا أكثر من التغييرات في سطحه المكشوف.
قام باحث يدعى محمد سعد خان، يعمل في "أفريوم" (Afrium) في إسلام آباد، بدمج هاتين الطريقتين في أداة جديدة تسمى "أمينو غريبس" (AminoGrapes). كان الهدف هو إنشاء طريقة بسيطة وسريعة للتنبؤ بمدى كفاءة عمل البروتين الفيروسي بعد حدة الطفرة، وتحديدًا في الحالات الصعبة التي لا تتوفر فيها بيانات كافية لتعمل نماذج الكمبيوتر الأكثر تقدمًا بشكل جيد. تأخذ الطريقة تسلسل البروتين الفيروسي وتقوم بشيئين: أولًا، تبني شجرة عائلة للفيروسات المشابهة لحساب مدى حفظ كل موضع في البروتين بواسطة التطور. ثانيًا، تستخدم نموذجًا ثلاثي الأبعاد مولدًا بالحاسوب للبروتين لتحديد مدى كون كل موضع مدفونًا أو مكشوفًا. ثم تقوم الأداة بضرب هاتين المعلومتين معًا؛ فإذا كان الموضع محفوظًا بشدة من الناحية التاريخية ومدفونًا بعمق داخل نواة البروتين، تُفرض عليه عقوبة شديدة. أما إذا كان الموضع على السطح أو تغير بشكل متكرر في الماضي، فتكون العقوبة أخف بكثير. وهذا يخلق درجة واحدة تتنبأ بما إذا كان تغيير معين سيتم تحمله من قبل الفيروس أم لا.
اختبر الباحثون هذه الأداة على مجموعة معيارية مكونة من واحد وثلاثين تجربة مختلفة لبروتينات فيروسية، تُعرف باسم "المقايسات" (assays)، والتي تقيس مدى كفاءة عمل البروتينات المتحورة في المختبر. وقارنوا أداتهم الجديدة بنموذج ذكاء اصطناعي قوي وشائع الاستخدام يسمى "ESM2"، وهو نموذج لغوي كبير تم تدريبه على ملايين التسلسلات البروتينية. وأظهرت النتائج أن "أمينو غريبس" كانت أفضل بكثير في التنبؤ بلياقة البروتينات الفيروسية من نموذج الذكاء الاصطناعي القياسي؛ ففي المتوسط، طابقت الأداة الجديدة النتائج التجريبية الواقعية بمعامل ارتباط قدره 0.430، بينما وصل نموذج الذكاء الاصطناعي إلى 0.269 فقط. وفي خمس وعشرين حالة من أصل واحد وثلاثين اختبارًا، كانت "أمينو غريبس" هي المتنبئ الأكثر دقة. وقد جاء هذا التحسن من حقيقة أن الأداة الجديدة استخدمت صراحةً البنية الفيزيائية للبروتين وتاريخ عائلته، بينما حاول نموذج الذكاء الاصطناعي التخمين بناءً على تسلسل الحروف في الشفرة الجينية فقط.
ومع ذلك، فإن القصة ليست قصة انتصار مطلق؛ فعندما قارن الباحثون "أمينو غريبس" بأفضل الطرق المتاحة حاليًا في المجتمع العلمي، جاءت الأداة دون المستوى المطلوب. فقد حققت الأدوات الراسخة الأخرى، والتي تستخدم غالبًا رياضيات أكثر تعقيدًا أو مجموعات بيانات أكبر، درجات أعلى، حيث وصل الأداء الأفضل إلى 0.480. ومن الجدير بالذكر أن "أمينو غريبس" سجلت درجات أقل بكثير من تنفيذ "RSALOR" الأصلي الذي حقق 0.480 في نفس المقايسات. وقد حرص المؤلف على ملاحظة أن أداتهم لم تضف أي قيمة جديدة عند دمجها مع هذه الأساليب رفيعة المستوى؛ بل في الواقع، أدى إضافة "أمينو غريبس" إلى مجموعة من أفضل النماذج الموجودة إلى جعل التنبؤ المشترك أسوأ قليًا. وهذا يشير إلى أنه على الرغم من أن الأداة الجديدة تعد خطوة مستقلة صلبة للأمام بالنسبة للبروتينات الفيروسية، إلا أنها لا تتفوق بعد على أحدث ما توصل إليه العلم. علاوة على ذلك، أقر الباحثون بأن الأداة تم تطويرها أثناء النظر في نتائج هذه الاختبارات الفيروسية المحددة، مما يعني أن الأرقام قد تكون متفائلة قليلاً وتحتاج إلى تأكيد من خلال بيانات جديدة وغير مرئية في المستقبل.
استكشفت الدراسة أيضًا ما يحدث عندما يتم خلط الأداة الجديدة مع نموذج الذكاء الاصطناعي القديم؛ حيث حاولوا مزج التنبؤات معًا لمعرفة ما إذا كان بإمكانهم الحصول على أفضل ما في العالمين. وفي البروتينات غير الفيروسية، حيث يكون نموذج الذكاء الاصطناعي قويًا جدًا، نجح المزج بشكل جيد. ولكن في البروتينات الفيروسية، كان أداء المزيج أسوأ من أداء أداة "أمينو غريبس" وحدها. حدث هذا لأن نموذج الذكاء الاصطناعي ضعيف عمومًا تجاه الفيروسات، ومزج تنبؤاته ذات الجودة المنخفضة مع تنبؤات الأداة الجديدة ذات الجودة العالية أدى إلى خفض المتوسط. يسلط هذا الاكتشاف الضوء على ضعف محدد في نماذج الذكاء الاصطناعي الحالية عند تطبيقها على الفيروسات سريعة التطور، ويشير إلى أنه بالنسبة لهذه المشكلات البيولوجية المحددة، فإن طريقة أبسط تستخدم مباشرة التاريخ التطوري والبنية ثلاثية الأبعاد هي حاليًا أكثر موثوقية من نموذج لغوي ضخم وعام الأغراض.
في الختن، يوضح هذا العمل أنه بالنسبة للبروتينات الفيروسية، يمكن لحساب مباشر يحترم كل من التاريخ العميق للفيروس والقيود الفيزيائية لشكلة أن يتفوق على الذكاء الاصطناعي المتطور. ولا تدعي الأداة أنها حلت مشكلة التنبؤ بالتطور الفيروسي، ولا تدعي أنها الأداة الأقوى المتاحة بشكل عام. بدلاً من ذلك، فهي تقدم بديلاً واضحًا وقابلاً للتفسير وفعالاً لركن محدد وصعب من أركان علم الأحياء. ويؤكد الباحثون أن أداتهم ليست حلًا سحريًا، بل هي أداة عملية تسد فجوة حيث يعاني الذكاء الاصطناعي الحالي، مما يوفر طريقة أفضل لفهم أي الطفرات قد تسمح للفيروس بالبقاء وأيها ستؤدي إلى فشله.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.