كيف يؤدي التعلم العميق في تصميم البروتين الحاسوبي إلى تحسين تطوير الأدوية

في دراسة رائعة نُشرت في مايو 2023 في مجلة Nature Communications، أظهر باحثون من معهد تصميم البروتين في جامعة واشنطن ومعهد هوارد هيوز الطبي التطبيق الناجح لطرق التعلم العميق لتعزيز تصميم البروتين الحاسوبي. من خلال تعزيز النماذج الفيزيائية القائمة على الطاقة الحالية، حقق الباحثون زيادة مذهلة بنسبة عشرة أضعاف في معدلات نجاح ربط البروتين المصمم ببروتينه المستهدف. يفتح هذا التقدم إمكانيات جديدة في تطوير الأدوية، لا سيما في تصميم علاجات أكثر فعالية ضد أمراض مثل السرطان وCOVID-19.

فهم تحدي مساحة البحث عن البروتين

تلعب البروتينات، ولا سيما تلك المتعلقة بالأمراض، دوراً حاسماً في البحث الطبي. ومع ذلك، فإن تعقيدها الهائل يمثل تحدياً كبيراً. على سبيل المثال، يتكون بروتين نموذجي يتم دراسته في المختبر من 65 حمضاً أمينياً، ومع وجود 20 خياراً مختلفاً من الأحماض الأمينية في كل موضع، هناك 65 أس 20 من تركيبات الربط، وهو ما يتجاوز العدد المقدر للذرات في الكون. يجعل هذا الفضاء البحثي الشاسع طرق تصميم البروتين التقليدية غير قابلة للتنفيذ حسابياً.

دور التعلم العميق

يستخدم التعلم العميق، وهو فرع من فروع الذكاء الاصطناعي، خوارزميات الكمبيوتر لتحليل الأنماط في البيانات واستخراج ميزات أعلى مستوى من المدخلات الخام. في هذه الدراسة، استخدم الباحثون التعلم العميق لتعلم التحولات التكرارية لتسلسلات البروتين وهياكله، والوصول إلى نماذج عالية الدقة بسرعة. من خلال دمج طرق التعلم العميق، قام الفريق بتقييم جودة الواجهات حيث تتشكل الروابط الهيدروجينية والتفاعلات الكارهة للماء، بدلاً من محاولة تعداد جميع الطاقات بشكل فردي.

بروتوكول تصميم رابط بروتيني دي نوفو المعزز بالتعلم العميق

طور الباحثون خط أنابيب معززًا بالذكاء الاصطناعي لتصميم البروتينات، يدمج أدوات التعلم العميق مثل AlphaFold 2 وRoseTTA fold. استخدموا حاسوب Frontera العملاق الفائقة، الممول من قبل المؤسسة الوطنية للعلوم، لتوازي مسارات تصميم البروتين، مما زاد الكفاءة الحسابية بشكل كبير. أنتج برنامج RifDock للمحاذاة ملايين 'المحاذايات' البروتينية التي تمثل التفاعلات بين هياكل البروتينات المحتملة الارتباط. ثم تم تقسيم هذه المحاذايات إلى قطع أصغر وتعيينها إلى عقد الحوسبة في Frontera للمعالجة.

تحسين الكفاءة الحسابية

استخدم الفريق أيضًا أداة البرمجيات ProteinMPNN، التي طورها معهد تصميم البروتين، والتي زادت الكفاءة الحسابية لتوليد تسلسلات البروتين باستخدام الشبكات العصبية بأكثر من 200 مرة مقارنة بالطرق السابقة.

البيانات والتحقق التجريبي

اشتقت بيانات النمذجة المستخدمة في الدراسة من بيانات ارتباط عرض سطح الخميرة التي جمعها معهد تصميم البروتين. من خلال دمج خيوط مختلفة من الحمض النووي مع الخميرة، عبر الباحثون عن بروتينات مصممة مختلفة على سطح خلية الخميرة، مما مكنهم من فرز الخلايا بناءً على قدراتها على الارتباط. تم التحقق من معدل نجاح هياكل البروتين المصممة في الارتباط ببروتينها المستهدف تجريبيًا، وأظهر زيادة قدرها عشرة أضعاف.

على الرغم من أن نتائج الدراسة أظهرت تقدمًا كبيرًا، إلا أن الباحثين يقررون بأن هناك الكثير من العمل الذي لا يزال بحاجة إلى إنجازه. يهدفون إلى زيادة معدل النجاح أكثر، خاصة عند التعامل مع أهداف أكثر تحديًا مثل الفيروسات ومستقبلات الخلايا التائية السرطانية. لتحقيق ذلك، يخططون لتحسين أدوات البرمجيات الخاصة بهم واستكشاف استراتيجيات أخذ العينات المتزايدة.

يقدم التكامل الناجح لطرق التعلم العميق في تصميم البروتينات الحاسوبي مسارًا واعدًا لإحداث ثورة في تطوير الأدوية. من خلال الاستفادة من تقنيات الذكاء الاصطناعي والحواسيب الفائقة القوية مثل Frontera، فتح الباحثون إمكانيات جديدة في فهم البروتينات وتصميم أدوية أكثر فعالية ضد أمراض مثل السرطان وCOVID-19. مع استمرار التقدم في مجال الذكاء الاصطناعي، يحمل المستقبل إمكانات أكبر لتحويل مجال الطب وإنقاذ عدد لا يحصى من الأرواح من خلال تحسين العلاجات.