إعادة تصميم الجينات عبر الأنواع باستخدام معلومات الأورثولوج والنماذج التوليدية

لماذا تهم إعادة تصميم الجينات عبر الأنواع

غالبًا ما تحتاج التكنولوجيا الحيوية الحديثة إلى نقل جينات من ميكروب إلى آخر لصنع أدوية أو إنزيمات أو أدوات لتنظيف البيئة. ومع ذلك، قد يؤدي عمل الجين جيدًا في ميكروبه الأصلي إلى ضعف أدائه في المستضيف الجديد، مما ينتج عنه بروتين قليل. يقدم هذا المقال نظام ذكاء اصطناعي جديدًا، OrthologTransformer، يتعلم من التطور نفسه لإعادة كتابة الجينات بحيث تبدو «محلية» في نوع مختلف، معزِّزًا أدائها وموفرًا إمكانيات جديدة للتكنولوجيا النظيفة والصناعة.

حدود أساليب ضبط الجينات الحالية

على مدى عقود، اعتمد العلماء على استراتيجية تسمى تحسين الكودونات لمساعدة الجينات الغريبة على العمل في مستضيفين جدد. الفكرة بسيطة: الشيفرة الوراثية تحتوي على عدة «كودونات» ثلاثية الحروف تستطيع ترميز نفس الحمض الأميني، وتفضِّل الأنواع المختلفة كودونات مختلفة. تستبدل الأدوات التقليدية الكودونات النادرة بأخرى مفضلة دون تغيير تسلسل الأحماض الأمينية للبروتين. يساعد ذلك في كثير من الأحيان، لكنه يتجاهل العديد من السمات الأخرى المهمة لأداء الجين، مثل طي الرنا وإشارات التنظيم وتوقيت إنتاج البروتين. في بعض الحالات، قد يضر الإفراط في تحسين الكودونات بعائد البروتين. بالمقابل، تحل الطبيعة مسألة التكيّف عبر الأنواع بطريقة أغنى: تُظهر الجينات ذات الصلة في أنواع مختلفة، والمعروفة بالأورثولوجات، تغييرات في الأحماض الأمينية وإدخالات أو حذوفات صغيرة بالإضافة إلى تبديلات الكودونات، مع الحفاظ على الوظيفة العامة.

تعلم دليل الطبيعة لإعادة كتابة الجينات

يتعامل OrthologTransformer مع إعادة تصميم الجينات كنوع من ترجمة اللغة: بالنظر إلى تسلسل DNA من بكتيريا واحدة، «يترجمه» إلى كيف سيبدو هذا الجين على الأرجح في نوع آخر. يعتمد النموذج على بنية Transformer المستخدمة في أدوات اللغة الحديثة، ولكنه يعمل هنا على مستوى الكودونات بدل الكلمات. تم تدريبه على ملايين من الجينات الأورثولوجية المزاوجة طبيعيًا من أكثر من ألفي نوع بكتيري، مع رموز مميزة تخبره من أي نوع يُحوَّل وإليه. من خلال مشاهدة كيف حافظ التطور بالفعل على التوازن بين الوظيفة والتكيّف مع المستضيف، يتعلم النظام متى تكفي تبديلات الكودونات البسيطة ومتى تكون التغييرات الطفيفة في الأحماض الأمينية أو تعديل الطول مقبولة. في اختبارات شملت 45 نوعًا بكتيريًا ومئات من تركيبات المصدر–الهدف، تشابهت الجينات المُعاد تصميمها بواسطة الذكاء الاصطناعي أكثر مع الأورثولوجات المحلية لنوع الهدف مقارنةً بكل من تحسين الكودونات التقليدي والمُحسّن العصبي للكودونات الرائد، مع الحفاظ على تشابه عالٍ على مستوى البروتين.

تطبيق إنزيمات آكلة للبلاستيك صمَّمها الذكاء الاصطناعي

لكي يُظهر الفريق أن الأمر أكثر من خدعة حسابية، ركز على PETase، إنزيم من البكتيريا Ideonella sakaiensis قادر على تكسير بلاستيك PET، المادة المستخدمة في معظم زجاجات المشروبات. تنمو Ideonella ببطء وليست مثالية للاستخدام الصناعي، لذا طلب الباحثون من OrthologTransformer إعادة كتابة جين PETase لمضيف أسرع نموًا، Bacillus subtilis. أنتجوا مجموعة من اثني عشر متغيرًا للجين المُعاد تصميمه، مستكشفين إعدادات تدريب مختلفة وإجراء بحث إضافي دفع التسلسلات نحو تكوين DNA يشبه Bacillus وبنى رنا ملائمة. على الرغم من أنّ بعض المتغيرات حملت تغييرات DNA عديدة وبعض الاستبدالات في الأحماض الأمينية، توقّعت النماذج الحاسوبية أن الشكل ثلاثي الأبعاد الأساسي للإنزيم احتُفظ به. عند بناء هذه التصاميم واختبارها في خلايا Bacillus الحية، أنتجت عدة منها كميات كبيرة من PETase المفرَز، وأظهرت جميعها نشاطًا قابلاً للقياس في تحلل البلاستيك.

تصميم بالذكاء الاصطناعي يتفوق على التحسين القياسي

برز أحد التسلسلات المصممة بالذكاء الاصطناعي المسمى AI-L2. أفرزت خلايا Bacillus الحاملة لهذا الجين كميات كبيرة بشكل خاص من PETase وولدت تقريبًا ثلاثة أضعاف نواتج تكسير البلاستيك مقارنة بأي سلالة أخرى في اختبار استمر سبعة أيام، وحوالي عشرة أضعاف مقارنةً بضوابط محسنة الكودونات التقليدية عند القياس بواسطة نواتج التفاعل. كشفت صور المجهر لأفلام PET المعرضة لخلايا AI-L2 عن حفر وثقوب عميقة حيث تم انتهاك البلاستيك، أكثر دراماتيكية بكثير من الحالات الأخرى. أظهرت اختبارات الإنزيم التفصيلية أن نسخة AI-L2 من PETase لم تُنتَج بكفاءة أعلى فحسب، بل عالجت ركيزتها أيضًا بشكل أسرع، مما منحها كفاءة حفزية أعلى من الإنزيم الأصلي والمُحسَّن بالكودونات. أظهر تجربة موازية في Escherichia coli أن نسخة PETase المصممة بواسطة OrthologTransformer، حتى عندما غيّرت استخدام الكودونات فقط دون تسلسل الأحماض الأمينية، تفوقت أيضًا على جين محسَّن اعتمادًا على تردد الكودونات، مما يبرز أن النموذج يلتقط تفضيلات دقيقة خاصة بالمستضيف تغفلها الطرق التقليدية.

ماذا يعني هذا لمستقبل البيولوجيا والتكنولوجيا

بعبارات يومية، يشبه OrthologTransformer مترجمًا خبيرًا لا يعيد فقط «تهجئة» الجين لميكروب جديد، بل يجري أيضًا تعديلات صغيرة مستنيرة بالتطور على «الجملة» نفسها عندما يعرف أنها ستكون آمنة أو مفيدة. من خلال التعلم مباشرة من كيفية تكيف الجينات طبيعيًا عبر آلاف الأنواع البكتيرية، يمكنه اقتراح DNA مُعاد تصميمه يعمل بشكل أفضل في مستضيفين جدد مقارنةً بالتصاميم المحدودة بتبديل الكودونات. يشير النجاح في إنشاء إنزيم أكثر فعالية لأكل البلاستيك في Bacillus subtilis إلى أن إعادة تصميم الجينات الموجَّهة بالذكاء الاصطناعي قد تُسرِّع تطوير المحفزات الحيوية الصناعية، وميكروبات تنظيف البيئة، وربما مستقبلًا علاجات جينية طبية، مما يساعد الكائنات على قراءة واستخدام الجينات الأجنبية كما لو كانت خاصة بها.

الاستشهاد: Akiyama, M., Tashiro, M., Huang, Y. et al. Cross-species gene redesign leveraging ortholog information and generative modeling. Nat Commun 17, 2120 (2026). https://doi.org/10.1038/s41467-026-69966-0

الكلمات المفتاحية: إعادة تصميم الجينات, علم الأحياء التركيبي, الجينات الأورثولوجية, الذكاء الاصطناعي في التكنولوجيا الحيوية, إنزيمات تحلل البلاستيك