SamplingDesign: تصميم الحمض النووي الريبي عبر تحسين مستمر مع متغيرات مترابطة وعينات مونت كارلو

تصميم الحمض النووي الريبي كأداة جديدة للطب

الـRNA ليس مجرد ناقل سلبي للمعلومات الجينية؛ فهو قادر على الطي إلى أشكال معقدة تتحكم في التعبير الجيني، وتسرّع تفاعلات، وحتى تُستخدم كأساس للقاحات. إذا تمكن العلماء من تصميم سلاسل RNA تثبت طيّها إلى أشكال مختارة بشكل موثوق، يمكنهم بناء أدوات جزيئية مخصّصة للطب، من لقاحات أذكى إلى مفاتيح جينية قابلة للبرمجة. تعرض هذه الورقة SamplingDesign، طريقة حسابية جديدة تتصدى لصعوبة تصميم الـRNA من خلال مزج أفكار من الفيزياء والإحصاء والتعلم الآلي الحديث.

لماذا تصميم أشكال الـRNA صعب للغاية

تصميم الـRNA أشبه بمحاولة اختيار سلسلة من الحروف بحيث، عند طيّها، تشكل بالضبط نموذج الأوريغامي الصحيح — ولا شيء تقريباً غيره. لطول شريط قدره n، هناك 4ⁿ سلاسل ممكنة، لذا حتى الأطوال المتوسطة تتضخم إلى احتمالات فلكية. علاوة على ذلك، كل سلسلة يمكن أن تطوى إلى عدد هائل من الأشكال البديلة التي تتنافس مع الشكل المطلوب. يجب أن يفضّل التصميم المفيد الشكل المستهدف ليس فقط كمنخفض الطاقة، بل أيضاً أن يجعل الأشكال المنافسة أقل احتمالاً بكثير، بحيث يسود البناء الصحيح في وسط العديد من الاحتمالات. الطرق التقليدية في البحث تعدل موقعاً أو عدة مواقع في كل مرة وتغرق سريعاً في هذا المتاهة من الخيارات، خاصة مع الـRNA الطويل والمعقد.

طريقة جديدة لاستكشاف الاحتمالات دفعة واحدة

بدلاً من التنقل من سلسلة مرشحة إلى أخرى، يفكر SamplingDesign بمصطلحات سحابة كاملة من الاحتمالات. يبدأ بتوزيع احتمالي منتشر عبر كل السلاسل المتوافقة مع الشكل المستهدف — أي السلاسل التي يمكن لأزواج مواقعها أن تشكل أزواج قواعد كيميائية حقيقية. ثم يستخدم الطريقة القائمة على التدرج، وهي حجر زاوية في التعلم الآلي، لإعادة تشكيل هذا التوزيع تدريجياً بحيث تزداد احتمالية السلاسل التي من المرجح أن تطوى جيداً إلى البنية المستهدفة بينما تنخفض احتمالية المرشحين الضعفاء. والأهم من ذلك أن المؤلفين لا يحسنون درجة واحدة لسلسلة واحدة؛ بل يحسنون الأداء المتوسط لجميع السلاسل تحت التوزيع الحالي، ما يشجع على استكشاف واسع في المراحل المبكرة وضبط دقيق لاحقاً.

التقاط كيفية تآزر القواعد معاً

جوهر هذه المقاربة هو تمثيل أكثر واقعية لكيفية اعتماد المواقع على طول الـRNA على بعضها البعض. بدلاً من اعتبار كل نيوكليوتيد خياراً مستقلاً، يجمع SamplingDesign مواقع معينة في «متغيرات مترابطة». لكل زوج قواعد، يشترك الشريكان في جدول احتمالات مشترك صغير على الأنواع الستة المسموح بها كيميائياً من الأزواج، مستبعداً تلقائياً التركيبات غير الصالحة. يُستخدم ترابط مشابه للمواقع المجاورة التي تؤثر طاقة بعضها على بعض، مثل مجموعات الخلل الأحادي والثلاثي حول الحلقات. هذا يقلص فضاء التصميم إلى السلاسل الصالحة فقط ويجعل التحسين أكثر سلاسة، لأن التحديثات تعمل مباشرة على اختيارات أزواج القواعد والعيوب بدلاً من أحرف معزولة.

ترك العشوائية توجه اختيارات أذكى

لأنه من المستحيل حساب المتوسطات الدقيقة عبر فضاء هائل من السلاسل والطيّات، يعتمد SamplingDesign على أخذ عينات مونت كارلو. في كل خطوة، يسحب عدداً قابلاً للإدارة من السلاسل من التوزيع الحالي، يقيم مدى طيّ كل منها وفق نماذج حرارية، ويستخدم هذه العينات لتقدير كل من الهدف المتوسط (مثل احتمال البنية المستهدفة) وكيفية ضبط التوزيع. على مدار تكرارات عديدة، ينتقل جزء الاحتمالات نحو سلاسل أفضل ويصبح التوزيع أكثر تركيزاً. بدلاً من اختيار السلسلة الأكثر احتمالاً في النهاية فقط، يحتفظ الأسلوب بكل العينات التي رآها ويختار تلك التي تؤدي فعلاً بأفضل صورة وفق المقياس المختار، مستفيداً من الاستكشاف الواسع دون فقدان التركيز.

تفوق على الأدوات الموجودة في الأحاجي الصعبة

اختبر المؤلفون SamplingDesign على عدة مجموعات معيارية من «أحاجي» الـRNA، بما في ذلك معيار Eterna100 المستخدم على نطاق واسع، والذي يتراوح من شعيرات بسيطة إلى أشكال طويلة ومعقدة تصل إلى 400 نيوكليوتيد. عبر معظم مقاييس التي تنظر إلى مجموعات كاملة من الطيات — خصوصاً احتمال بولتزمان للشكل المستهدف و«عيب التشكيل» Ensemble defect الذي يتتبع عدد النيوكليوتيدات التي تُطوى بشكل خاطئ — تفوق SamplingDesign على أدوات التصميم المتقدمة التي تعتمد على البحث المحلي أو طرق مستمرة أبسط. وكان التفوق أوضح في الأحاجي الأطول والأصعب، حيث غالباً ما تتعثر الخوارزميات التقليدية في حلول ضعيفة بينما يستمر SamplingDesign في إيجاد سلاسل تتميز فيها البنى المستهدفة بوضوح عن المنافسين.

ماذا يعني هذا لتقنيات الـRNA المستقبلية

ببساطة، تُظهر هذه الدراسة أن التعامل مع تصميم الـRNA على أنه استكشاف موجه لعديد من السلاسل دفعة واحدة، بدلاً من لعبة تحرير خطوة بخطوة، يمكن أن ينتج طيات أنظف وأكثر موثوقية — خاصة للأهداف الكبيرة والصعبة. من خلال نمذجة كيفية تفاعل القواعد في أزواج ومجموعات، واستخدام أخذ العينات للتنقل عبر منظر لا يُحتمل حله بطريقة أخرى، يوفر SamplingDesign إطاراً مرناً يمكنه تحسين أهداف تصميم مختلفة. يقترح المؤلفون أنه يمكن توسيعه لتفصيل رسائل المرسال mRNA للقاحات أو العلاجات ودمج القيود التجريبية. ومع تقارب التصميم الحسابي المحسّن والاختبار المخبري، قد تساعد مثل هذه الطرق في تحويل المخططات المجردة للـRNA إلى أدوات جزيئية عملية للطب.

الاستشهاد: Tang, W.Y., Dai, N., Zhou, T. et al. SamplingDesign: RNA design via continuous optimization with coupled variables and Monte-Carlo sampling. Nat Commun 17, 2950 (2026). https://doi.org/10.1038/s41467-025-67901-3

الكلمات المفتاحية: تصميم الحمض النووي الريبي, الطي العكسي, أخذ عينات مونت كارلو, التحسين المستمر, العلاجات mRNA