علماء من MIT يطورون شبكة عصبية لتسريع تطوير الأدوية الجديدة
الأجسام المضادة (بروتينات صغيرة) التي ينتجها الجهاز المناعي يمكن أن ترتبط بأجزاء محددة من الفيروس لتحييده. ومع استمرار العلماء في مكافحة فيروس SARS-CoV-2، وهو الفيروس المسبب لكوفيد-19، يُعد أحد الأسلحة المحتملة جسماً مضاداً اصطناعياً يرتبط ببروتينات الشوك الخاصة بالفيروس لمنعه من اختراق خلايا الإنسان.
لتطوير جسم مضاد اصطناعي ناجح، يجب على الباحثين أن يفهموا بدقة كيفية حدوث ذلك. فالبروتينات ذات البنى ثلاثية الأبعاد المتكتلة والمليئة بالطيات يمكن أن تتجمع في ملايين التركيبات، ولذلك يستغرق البحث عن التركيب البروتيني الصحيح بين عدد لا يُحصى تقريباً من المرشحين وقتاً طويلاً جداً.
لتبسيط العملية، قام باحثو معهد ماساتشوستس للتكنولوجيا بإنشاء نموذج للتعلم الآلي يمكنه التنبؤ مباشرة بالمركب الناتج عن اتصال بروتينين. وتعمل طريقتهم أسرع بين 80 و500 مرة من الأساليب البرمجية الحالية، وغالباً ما تتنبأ ببنى بروتينية أقرب إلى البنى الفعلية التي تُلاحظ تجريبياً.
يمكن لهذه الطريقة أن تساعد العلماء على فهم بعض العمليات البيولوجية المرتبطة بتفاعل البروتينات، مثل تكرار الحمض النووي وإصلاحه بشكل أفضل. وقد تسرّع أيضاً عملية تطوير أدوية جديدة.
«يلتقط التعلم العميق بدرجة كبيرة التفاعلات بين البروتينات المختلفة، وهي تفاعلات يصعب على الكيميائيين أو علماء الأحياء تسجيلها تجريبياً. وبعض هذه التفاعلات معقدة للغاية، ولم يجد البشر طرقاً جيدة للتعبير عنها. يمكن لنموذج التعلم العميق هذا أن يدرس هذه الأنواع من التفاعلات انطلاقاً من البيانات»
النموذج الذي طوره الباحثون، واسمه Equidock، يركز على الإرساء الجسدي الصلب، وهو ما يحدث عندما يتصل بروتينان ببعضهما عبر الدوران أو الانتقال في الفضاء ثلاثي الأبعاد، دون أن تنضغط أشكالهما أو تنحني.
يأخذ النموذج البنى ثلاثية الأبعاد للبروتينين ويحولها إلى رسوم بيانية ثلاثية الأبعاد يمكن للشبكة العصبية معالجتها. والبروتينات تتكون من سلاسل من الأحماض الأمينية، يمثل كل منها عقدة في الرسم البياني.
أدرج الباحثون في النموذج معارف هندسية، لذلك يفهم كيف يمكن أن تتغير الأجسام إذا أُديرت أو نُقلت في الفضاء ثلاثي الأبعاد. كما أُدمجت فيه معارف رياضية تضمن أن ترتبط البروتينات دائماً بالطريقة نفسها، بغض النظر عن موقعها في الفضاء ثلاثي الأبعاد. وهكذا ترتبط البروتينات في جسم الإنسان.
باستخدام هذه المعلومات، يحدد نظام التعلم الآلي الذرات في البروتينين الأكثر احتمالاً للتفاعل وتكوين تفاعلات كيميائية، والمعروفة بنقاط الارتباط. ثم يستخدم هذه النقاط لدمج البروتينين في مركب واحد.
«إذا تمكنّا من فهم أي أجزاء البروتينات من المرجح أن تكون نقاط الارتباط هذه، فسيتيح ذلك الحصول على كل المعلومات اللازمة لربط البروتينين معاً. وبافتراض أننا نستطيع إيجاد هاتين المجموعتين من النقاط، يمكننا ببساطة معرفة كيفية تدوير البروتينات ونقلها بحيث تتطابق مجموعة مع الأخرى»
من أكبر التحديات في بناء هذا النموذج التغلب على نقص بيانات التدريب. وبحسب غانيا، ولأن البيانات التجريبية ثلاثية الأبعاد للبروتينات قليلة جداً، كان من المهم بشكل خاص تضمين المعارف الهندسية في Equidock. ومن دون هذه القيود الهندسية، قد يكتشف النموذج ارتباطات زائفة في مجموعة البيانات.
بعد تدريب النموذج، قارن الباحثون أداءه بأربعة أساليب برمجية. يستطيع Equidock التنبؤ بالمركب البروتيني النهائي في ثانية إلى خمس ثوانٍ فقط. واستغرقت جميع خطوط الأساس وقتاً أطول بكثير، من 10 دقائق إلى ساعة أو أكثر.
في مقاييس الجودة التي تحسب مدى دقة تطابق المركب البروتيني المتوقع مع المركب الفعلي، كان Equidock في كثير من الأحيان مماثلاً لخطوط الأساس الأصلية، لكنه كان أحياناً أقل منها.
«ما زلنا متأخرين عن أحد خطوط الأساس. ويمكن تحسين طريقتنا، وما زالت قادرة على أن تكون مفيدة. يمكن استخدامها في الفحص الافتراضي واسع النطاق، حيث نريد أن نفهم كيف يمكن لآلاف البروتينات أن تتفاعل وتكوّن مركبات. ويمكن استخدام طريقتنا لإنشاء مجموعة أولية من المرشحين بسرعة كبيرة، ثم يمكن ضبطها بدقة باستخدام بعض الأساليب التقليدية الأكثر دقة لكنها أبطأ»
بالإضافة إلى استخدام هذه الطريقة مع النماذج التقليدية، يريد الفريق إدراج تفاعلات ذرية محددة في Equidock حتى يتمكن من تقديم تنبؤات أدق. فعلى سبيل المثال، ترتبط الذرات في البروتينات أحياناً عبر تفاعلات كارهة للماء، تشارك فيها جزيئات الماء.
وبحسب غانيا، يمكن أيضاً تطبيق طريقتهم على تطوير جزيئات صغيرة شبيهة بالأدوية. فهذه الجزيئات ترتبط بسطح البروتين بطريقة خاصة، لذلك يمكن للتحديد السريع لكيفية حدوث هذا الارتباط أن يقلص المدة الزمنية لتطوير الأدوية.
يخططون مستقبلاً لتحسين Equidock ليتمكن من التنبؤ بالإرساء المرن للبروتينات. وأكبر عقبة هي نقص بيانات التدريب، لذلك يعمل غانيا وزملاؤه على إنشاء بيانات اصطناعية يمكنهم استخدامها لتحسين النموذج.
