تكامل تقنيات التفتت البديلة في تدفقات عمل LC-MS القياسية باستخدام نموذج تعلم عميق واحد يعزِّز تغطية البروتْيُوم

رؤية المزيد من آليات البروتين الحياتية

كل خلية في جسدك تحتوي على آلاف البروتينات المختلفة، كل منها يؤدي وظيفة محددة. يمكن لمطيافية الكتلة الحديثة قراءة العديد من هذه البروتينات بالفعل عن طريق تفكيكها إلى قطع ووزن الشظايا، لكن أجزاء مهمة تظل غير مرئية — خاصة الأشكال البروتينية غير المعتادة والتعديلات الكيميائية الدقيقة التي تحرّك الصحة والمرض. تصف هذه الدراسة طريقة جديدة لدمج عدة أساليب تفتت متقدمة مع نموذج ذكاء اصطناعي واحد حتى يتمكن العلماء من رؤية المزيد من عالم البروتينات في تجربة روتينية.

كيف تُقرأ البروتينات عادةً

في معظم المختبرات، تُقطع البروتينات أولاً إلى قطع أصغر تُسمى ببتيدات ثم تُدخل إلى جهاز يفصلها ويزنها. لتحديد تسلسل كل ببتيد، يقوم الجهاز بتحطيم هذه القطع عمدًا وتسجيل نمط الشظايا، مثل تحطيم مزهرية واستنتاج شكلها من القطع. لسنوات، كان الأسلوب القائم على التصادم — حيث تُكسر الببتيدات بالاصطدام بجزيئات الغاز — هو العمود الفقري لأنه سريع، قوي ومدعوم جيدًا بالبرمجيات. مع ذلك، يكافح هذا النهج القياسي للحفاظ على العلامات الكيميائية الحساسة على البروتين ويُفوِّت أجزاءً من الأشكال البروتينية المعقدة، مما يترك نقاط عمياء في فهمنا للأحياء.

طرق جديدة لتفتيت البروتينات

طور الباحثون طرقًا أخرى لتمزيق الببتيدات: باستخدام الضوء فوق البنفسجي، أو حزم من الإلكترونات، التي تقطع البروتينات على مسارات مختلفة وغالبًا ما تحافظ على الميزات الهشة. يمكن أن تولد هذه المناهج أنماطًا غنية وأكثر إعلامية من الشظايا، لكنها أبطأ، وتتطلب مهارات تقنية أعلى وضعيفة الدعم بأدوات تحليل البيانات. لمواجهة هذا، بنى المؤلفون على مطياف كتلة متخصص قادر على تطبيق طرق التفتت القائمة على التصادم والإلكترون والفوتون في منصة واحدة وعلى المقياس الزمني اللازم لتدفقات عمل الكروماتوغرافيا السائلة–مطيافية الكتلة القياسية. ضبطوا بعناية ظروف التشغيل لكل طريقة — مثل طاقة الليزر أو زمن تعرّض الإلكترون — بحيث ينتج كل منها أكبر عدد ممكن من الأطياف المفيدة من عينات خلايا بشرية معقدة.

بناء نموذج تعلم موحّد

مع توفر هذه الطرق المحسنة، أنتج الفريق مجموعات بيانات هائلة باستخدام خمسة إنزيمات تقطيع مختلفة، الأمر الذي أدى إلى تنوع كبير في تسلسلات الببتيدات. استخدموا هذه المجموعات بعد ذلك لتدريب نموذج تعلم عميق واحد، نسخة محسنة من نظام يُدعى Prosit، لتوقُّع نمط وشدة قمم الشظايا التفصيلية لكل أنواع التفتت مرة واحدة. بدلاً من معاملة كل طريقة على حدة، يأخذ النموذج كدخل تسلسل الببتيد، وشحنته والطريقة المستخدمة للتفتت، ويعطي خارجًا الشدات المتوقعة لمئات أنواع الشظايا الممكنة. طابقت الأطياف المتوقعة البيانات التجريبية عن قرب عبر الطرق، مما أظهر أن النموذج قد تعلَّم فعليًا "بصمات" مميزة تنتجها عمليات التفتت بالضوء والإلكترون والتصادم.

ترك الذكاء الاصطناعي لتنقية الإشارة

الاختبار الحقيقي كان فيما إذا كانت هذه التنبؤات ستتحسن عدد الببتيدات المحدَّدة بثقة من البيانات الخام. أدخل الباحثون كل من الأطياف المقاسة والأنماط المتوقعة بالذكاء الاصطناعي في أدوات البحث وإعادة التقييم الموجودة. عندما طلبوا من البرمجيات التركيز على الشظايا التي قال النموذج إنه يجب أن تكون قوية وحاضرة، برزت المطابقات الصحيحة بوضوح أكبر من الخاطئة. عبر البيانات المجمعة بواسطة طرق تفتت وإنزيمات مختلفة، زاد عدد المطابقات الببتيد–طيف المحددة بثقة عادةً بأكثر من 10%، وفي بعض الحالات الصعبة بأكثر من 30%. والأهم أن الطرق البديلة التي تستخدم الإلكترونات والضوء فوق البنفسجي حققت الآن كفاءة تحديد مشابهة للأسلوب القياسي القائم على التصادم، مع تقديم تغطية تسلسلية أوسع ومعلومات فريدة أكثر عن البروتينات.

جعل الأساليب المتقدمة جزءًا من الاستخدام اليومي

بما أن نموذج الذكاء الاصطناعي متاح مجانًا ومتكامل في برمجيات مطيافية الكتلة الشائعة، يمكن استخدامه ليس فقط للقياسات التقليدية المركزة بل أيضًا لاستراتيجيات اقتناء البيانات المستقلة الحديثة التي تفحص أجزاء واسعة من العينة دفعة واحدة. أظهرت الاختبارات على خلطات من خلايا بشرية ونباتية وبكتيرية أن النموذج يعمم جيدًا عبر الأنواع. عمليًا، يزيل هذا العمل حاجزًا رئيسيًا كان يقيد طرق التفتت القوية ولكن القليلة الاستخدام لدى المتخصصين. من خلال توحيد طرق مختلفة لتفتيت البروتينات تحت نموذج تنبؤي واحد، توفر الدراسة مسارًا نحو تحليل روتيني عالي التغطية لمشاهد البروتين المعقدة، مما يسهل على الباحثين اكتشاف المتغيرات النادرة، ورسم خرائط التعديلات والوصول في النهاية إلى صورة أكثر اكتمالًا لكيفية تصرف البروتينات في الصحة والمرض.

الاستشهاد: Levin, N., Saylan, C.C., Lapin, J. et al. Integration of alternative fragmentation techniques into standard LC-MS workflows using a single deep learning model enhances proteome coverage. Nat Methods 23, 805–814 (2026). https://doi.org/10.1038/s41592-026-03042-9

الكلمات المفتاحية: البروتيوميات, مطيافية الكتلة, التعلم العميق, تفتت البروتين, تنبؤ الطيف