التوليد الجديد والفحص الحاسوبي لمرشَّحي الببتيدات المضادة للسكري عبر إطار تعلم عميق–انتباه مع دمج خواص فيزيوكيميائية

لماذا يهم تصميم الببتيدات بذكاء لمرضى السكري

يؤثر السكري على مئات الملايين من الناس حول العالم والأدوية الحالية لا تعمل بشكل مثالي مع الجميع. يضعف تأثير العديد من العلاجات مع مرور الوقت أو يسبب آثارًا جانبية. خيار واعد جديد هو فئة من البروتينات الصغيرة تُسمى الببتيدات المضادة للسكري، التي يمكنها ضبط مستوى السكر في الدم بدقة عالية. التحدي أن إيجاد أدوية ببتيدية جديدة في المختبر عملية بطيئة ومكلفة. تقدم هذه الدراسة خط أنابيب محوسبًا قادرًا على ابتكار وتصفية أعداد كبيرة من الببتيدات المحتملة المضادة للسكري، موجهًا الباحثين نحو المرشحين الأكثر وعدًا لاختبارهم عمليًا.

من الببتيدات المعروفة للسكري إلى بيانات بداية نظيفة

بدأ الباحثون بتجميع مجموعة عالية الجودة من الببتيدات التي ثبت تجريبيًا أنها تؤثر على مستوى السكر في الدم، غالبًا عبر التأثير على هرمونات مثل GLP-1 أو إنزيمات مثل DPP‑IV. شكّلت هذه أمثلة "إيجابية". ثم بنوا مجموعة "سلبية" مطابقة من الببتيدات التي لم تُسجّل لها نشاط مضاد للسكري، مختارة بعناية بحيث تشبه الإيجابيات من حيث الطول والتركيب والكيمياء الأساسية. لتفادي خداع النموذج بوجود نسخ متقاربة جدًا، استخدموا أدوات تشابه التسلسل للتأكد من أن الببتيدات القريبة الصلة لا تظهر أبدًا في مجموعتي التدريب والاختبار معًا. هذا التقسيم الواعي بالتشابه النَسَلي ضَمِن أن النظام سيُقيَّم على قدرته على التعرف على أنماط جديدة حقًا بدلًا من حفظ القديم.

ترميز الكيمياء لكي تقرأ الآلات الببتيدات

بالنسبة للحاسوب، الببتيد مجرد سلسلة أحرف تمثل الأحماض الأمينية. لربط تلك الأحرف بالبيولوجيا، حوّل الفريق كل حمض أميني إلى خمسة خصائص كيميائية أساسية: مدى كراهية الماء (الهايدروفوبية)، شحنته الكهربائية، ميله لتكوين روابط هيدروجينية، كتلته، وما إذا كان يحتوي على حلقة عطرية. حوّل هذا كل ببتيد إلى "صورة" صغيرة تلتقط كلًا من الترتيب والكيمياء. علاوة على ذلك، أضافوا واصفات على مستوى الببتيد بأكمله مثل الشحنة الإجمالية، متوسط الهايدروفوبية، ومؤشر بومان الذي يتعلق بقوة ارتباط الببتيد بالبروتينات الأخرى. سمحت هذه الميزات للنموذج بفحص الأنماط المحلية — مثل موتيفات قصيرة من الأحماض الأمينية — والخواص العامة التي تؤثر في سلوك الببتيد داخل الجسم.

محرك تعلم عميق يفسر اختياراته

جوهر خط الأنابيب هو نموذج هجين للتعلم العميق. تقوم شبكة عصبية تلافيفية (CNN) بمسح الببتيد بحثًا عن موتيفات قصيرة تميل للظهور في الببتيدات النشطة، تمامًا مثل المرشحات في نظام تعرف على الصور. وعلى ذلك، تتعلم طبقة الانتباه أي المواقع في التسلسل هي الأهم، ملتقطةً علاقات بعيدة المدى بين البقايا النائية. يُدمَج مخرج هذا المحرك المتسلسلي مع الواصفات الكيميائية العامة ويمرَّر إلى عدة مصنفات قياسية في تعلم الآلة — آلات الدعم الناقل، أشجار القرار، أقرب الجيران، وأشجار متدرجة التعزيز. طريقة تحسين متخصصة، تُسمى OptimizedTPE، تضبط إعداداتها تلقائيًا، محققة توازنًا بين الدقة ومخاطر الإفراط في التخصيص. كما تمنح آلية الانتباه "خرائط أهمية" على مستوى البقايا، مما يساعد العلماء على رؤية أجزاء كل ببتيد التي تقود قرارات النموذج.

ابتكار مرشحين جدد مع تجنُّب تسريب البيانات

لتجاوز العدد القليل من الببتيدات المعروفة المضادة للسكري، أضاف الفريق مرحلة توليد تُستخدم فقط لتغذية عملية التدريب. استخدموا مزيجًا من الاستراتيجيات — الطفرة الموجهة، إعادة تركيب الموتيفات، ومشفّر آلي تغايرِي (VAE) — لاقتراح تسلسلات جديدة تشبه، ولكن لا تُنسخ، الببتيدات النشطة المعروفة. ثم فُرزت هذه المرشحات عبر "بوابات واصفات" صارمة تفرض شحنة وحجم وميل ارتباط واقعي، بالإضافة إلى أدوات خارجية تقيم التشابه مع الببتيدات الحيوية المعروفة. تُحتفظ في التدريب فقط بالتسلسلات التي تجتاز هذه الفلاتر وتبقى مميزة بوضوح عن جميع ببتيدات الاختبار؛ ولا يُستخدم أي منها أبدًا لتقييم النموذج. وسع هذا النهج مجموعة التدريب مع الحفاظ على مجموعة اختبار نظيفة وغير متحيزة.

مدى فعالية النظام ومغزاه

عند اختباره على لوحة مستقلة تمامًا مكوّنة من 180 ببتيدًا دُرِسوا تجريبيًا وتم جمعهم من الأدبيات الحديثة، صنف الإطار بشكل صحيح نحو 99 من كل 100 تسلسل، مع دقة واستدعاء يقاربان 0.99 لكلٍ منهما. عمليًا، يعني ذلك نادرًا ما يفوت ببتيدًا مضادًا حقيقيًا ونادرًا ما يصنّف ببتيدًا غير نشط على أنه واعد. أظهرت تحليلات خرائط الانتباه واختبارات الطفرات أن النموذج تعلّم قواعد كيميائية معقولة: يعتمد بدرجة كبيرة على البقايا ذات الشحنة الموجبة وبعض البقايا الكارهة للماء المعروفة بأهميتها لارتباط الأهداف المرتبطة بالسكري. كما أشارت محاكاة ربط الجزيئات إلى أن بعض الببتيدات المولَّدة حديثًا قد تُكوِّن اتصالات معقولة مع مستقبل GLP‑1 البشري. ومع أن هذه التنبؤات لا تزال بحاجة إلى تأكيد مخبري، تُظهر الدراسة طريقة قابلة للتكرار ومتجذرة بيولوجيًا لاستكشاف الفضاء الشاسع للأدوية الببتيدية وترتيب الأولويات للقلة التي يُحتمل أن تساعد في إدارة السكري.

الاستشهاد: Asl, Z.R., Rezaee, K., Ansari, M. et al. De novo generation and in silico screening of anti-diabetic peptide candidates via a deep learning–attention framework with physicochemical feature fusion. Sci Rep 16, 6580 (2026). https://doi.org/10.1038/s41598-026-39985-4

الكلمات المفتاحية: ببتيدات مضادة للسكري, تعلم عميق, اكتشاف أدوية, تصميم ببتيدات, مستقبل GLP-1