التعلّم بالنقل في DeepLC يحسّن توقّع زمن الاحتفاظ في العمود عبر تعديلات وإعدادات مختلفة إلى حد كبير

لماذا يهم توقيت الكيمياء

في كل مرة يدرس فيها العلماء البروتينات داخل خلايانا، يعتمدون على تقنية تمرّر أولاً شظايا البروتين الصغيرة، المسماة ببتيدات، عبر عمود مملوء بالسائل قبل وزنها في مطياف الكتلة. المدة التي يقضيها كل ببتيد في العمود — «زمن الاحتفاظ» — تحمل معلومات قيّمة للغاية تساعد الباحثين على تمييز وتأكيد ما يقيسونه. لكن بما أن كل مختبر يستخدم أجهزة وإعدادات مختلفة قليلاً، غالبًا ما تنهار النماذج الحاسوبية التي توقّع أزمنة الاحتفاظ عند نقلها من إعداد إلى آخر. يظهر هذا المقال كيف يمكن لحيلة حديثة في التعلّم الآلي تُدعى التعلّم بالنقل أن تجعل تلك التوقّعات أكثر موثوقية ومرونة عبر ظروف تجريبية متنوّعة.

توقيت رحلة شظايا البروتين

في أبحاث البروتينات، تُعد الكروماتوغرافيا السائلة–مطيافية الكتلة طريقة العمل الرئيسية. تفصل خطوة الكروماتوغرافيا السائلة آلاف الببتيدات بناءً على خصائصها الكيميائية، حتى لا تصل جميعها إلى الكاشف دفعة واحدة. يعطي زمن الاحتفاظ الناتج، إلى جانب الكتلة المقاسة للببتيد، بصمة ثنائية الأبعاد قوية للباحثين. على مدار العقد الماضي، درّب الباحثون نماذج حاسوبية لتوقّع أزمنة الاحتفاظ مباشرةً من تسلسلات الببتيدات. تحسّن هذه التوقّعات ثقة تحديد الببتيدات، وتساعد في تصميم تجارب أفضل، وهي أساسية لبناء مكتبات طيفية كبيرة مولّدة حاسوبيًا تُستخدم في طرق العمل عالية الإنتاجية الحديثة.

مشكلة تغير ظروف المختبر

للأسف، زمن الاحتفاظ حساس للغاية لتفاصيل مثل حموضة المذيب، مادة العمود، الضغط، ودرجة الحرارة. حتى التغييرات الطفيفة يمكن أن تعيد ترتيب تسلسل خروج الببتيدات من العمود. تحاول الأساليب التقليدية معالجة هذا عبر «معايرة» نموذج مدرّب في مكان آخر باستخدام مجموعة صغيرة من الببتيدات المرجعية، بافتراض أن ترتيب انطلاق الببتيدات يبقى ثابتًا. عندما ينهار هذا الافتراض — على سبيل المثال عند تغيير كيمياء العمود أو حموضة العينة — قد تفشل المعايرة فشلًا ذريعًا. خيار آخر هو تدريب نموذج جديد كليًا لكل إعداد، لكن ذلك يتطلب العديد من الببتيدات المقاسة جيدًا، والتي قد لا تتوفر دائمًا، لا سيما للتعديلات الكيميائية النادرة أو غير المألوفة.

إعادة استخدام المعرفة عبر التعلّم بالنقل

يبني المؤلفون على DeepLC، نموذج تعلّم عميق يتوقّع أزمنة الاحتفاظ بالفعل لأنواع عديدة من الببتيدات. بدلاً من البدء من الصفر في كل حالة جديدة، يعيدون استخدام نموذج تم تدريبه على مجموعة بيانات كبيرة وعالية الجودة ويضبطونه بدقّة على مجموعة أصغر بكثير من الببتيدات من الإعداد الجديد. عبر 474 مجموعة بيانات مأخوذة من مئات التجارب العامة، تتفوّق استراتيجية التعلّم بالنقل هذه في معظم الحالات على كل من المعايرة البسيطة وتدريب نموذج جديد من إعدادات عشوائية. تكون المكاسب واضحة بشكل خاص عندما يتوفر بضع مئات إلى بضعة آلاف من الببتيدات للتدريب، وهو سيناريو شائع في الدراسات الواقعية. وحتى عندما توجد أمثلة كثيرة، يميل التعلّم بالنقل إلى تقديم دقة أفضل قليلًا.

التعامل مع كيماويات غير مألوفة وظروف قصوى

لاختبار مدى قدرة هذا النهج، فحص الفريق سيناريوهات صعبة للغاية. في أحدها، حملت الببتيدات علامة كيميائية كبيرة تجعلها أكثر «دهنية»، مما يزيح أزمنة احتفاظها بقوة. وفي آخر، كان السائل في العمود قاعديًا بدلًا من حمضي، مغيرًا بشكل جوهري طريقة تفاعل الببتيدات مع العمود. في كلتا الحالتين، فشلت معايرة نموذج قديم ببساطة، وحتى النموذج الجديد المتدرّب احتاج العديد من الأمثلة ليصل إلى دقة جيدة. أما التعلّم بالنقل فتكيف سريعًا، محققًا أداءً مماثلًا أو أفضل مع عدد تدريب أقل بمقدار مرتين إلى ثلاث مرات. كما حسّن الأسلوب التوقّعات لمجموعة واسعة من التعديلات اللاحقة للترجمة التي لم تُرَ أثناء التدريب، مما يشير إلى أن معرفة النموذج السابقة بكيمياء الببتيدات تنتقل إلى تعديلات جديدة.

ماذا يعني هذا لدراسات البروتين المستقبلية

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن إعادة استخدام ما تعلمه الشبكة العصبية بالفعل حول سلوك الببتيدات يجعل الحصول على توقّعات زمنية دقيقة أسهل بكثير تحت ظروف تجريبية جديدة. بدلًا من جمع مجموعات تدريب كبيرة بشكل مرهق أو قبول أداء ضعيف من المعايرة البسيطة، يمكن للباحثين ضبط نموذج DeepLC موجود بعدد متواضع من الأمثلة وما يزالون يحققون أزمنة احتفاظ دقيقة للغاية. يجعل هذا الأدوات التنبؤية المتقدمة أكثر قوة وأسهل في الوصول، مما يمكّن تحليلات موثوقة عبر أجهزة مختلفة وإعدادات كيميائية وتعديلات ببتيد نادرة، وفي النهاية يساعد العلماء على قراءة عالم البروتينات بوضوح وكفاءة أكبر.

الاستشهاد: Bouwmeester, R., Nameni, A., Declercq, A. et al. Transfer learning in DeepLC improves LC retention time prediction across substantially different modifications and setups. Nat Commun 17, 2601 (2026). https://doi.org/10.1038/s41467-026-68981-5

الكلمات المفتاحية: البروتيوميات, الكروماتوغرافيا السائلة, توقّع زمن الاحتفاظ, التعلّم العميق, التعلّم بالنقل