تقييم جودة نماذج البنية ثلاثية الأبعاد للـ RNA باستخدام التعلم العميق وخرائط ثنائية الأبعاد وسيطة

لماذا يهم تقييم أشكال الـ RNA

داخل كل خلية، تنطوي جزيئات الـ RNA وتتكوّن في أشكال ثلاثية الأبعاد معقدة تساهم في التحكم في أي الجينات تُشغَّل، وتوجّه التفاعلات الكيميائية، وحتى تحمي من الفيروسات. اليوم، تستطيع برامج حاسوبية قوية التنبؤ بالعديد من هذه الأشكال، لكن الباحثين لا يزالون يواجهون مشكلة أساسية: عندما يولِّد الحاسوب عشرات أو مئات الأشكال المحتملة لنفس الـ RNA، أيّها أقرب إلى الواقع؟ يقدم هذا المقال أداة تسمى RNArank، قائمًة على الذكاء الاصطناعي، مصممة لمعالجة هذا السؤال من خلال تقييم نماذج الـ RNA ثلاثية الأبعاد، تمامًا مثل مفتش جودة هيكلية، حتى يتمكن الباحثون من التركيز على التنبؤات الأكثر موثوقية.

مفتش جديد لنماذج الـ RNA

تم تصميم RNArank ليقيّم جودة الشكل المقترح للـ RNA دون الحاجة لمعرفة كيفية توليد ذلك الشكل. سواء أتى النموذج من نظام تعلم عميق، أو محاكاة قائمة على الفيزياء، أو خبير بشري، يفحص RNArank الإحداثيات الثلاثية النهائية فقط. ثم يطرح، عمليًا، سؤالاً واحدًا: «هل يبدو هذا الهيكل كـ RNA واقعي؟» هذا النوع من التقييم المستقل للجودة ضروري لأنه، بخلاف مجال البروتينات حيث توفر أدوات مثل AlphaFold إجابات موثوقة في كثير من الحالات، تظل تنبؤات الـ RNA تستفيد من مزج طرق متعددة وبصيرة بشرية—ومن طريقة ذكية لترتيب النماذج الناتجة.

تعليم الذكاء الاصطناعي كيف يبدو الـ RNA الجيد

لتدريب RNArank، جمع المؤلفون حوالي 200,000 بنية للـ RNA، تغطي طيفًا واسعًا من الأخطاء الواضحة إلى تقريبًا مثالية. بُنيت هذه النماذج من هياكل تجريبية معروفة باستخدام مجموعة متنوعة من الطرق، بما في ذلك متنبئات التعلم العميق الحديثة، ومحاكاة الديناميكا الجزيئية التي تحاكي حركة الذرات، وتشويهات متعمدة لهياكل دقيقة لإنشاء «خداعات» (decoys). لكل نموذج، حسب الفريق مدى مطابقته للـ RNA الحقيقي المحدد تجريبيًا، باستخدام درجة دقة مصقولة مخصصة للـ RNA تُسمَّى lDDT_RNA. تركز هذه الدرجة على مدى استنساخ المسافات بين أزواج النيوكليوتيدات، مما يلتقط كلًا من الطي العام والتفاصيل المحلية دون أن تكون حساسة جدًا لطول الجزيء.

كيف يقرأ RNArank ويقيّم الـ RNA

عندما يفحص RNArank نموذج RNA جديدًا، يترجم أولًا البنية إلى ثلاثة أنواع من المعلومات: وصف أحادي البُعد لتسلسل الجزيء وهندسة العمود الفقري على امتداد السلسلة، أوصاف ثنائية الأبعاد حول كيفية ارتباط كل زوج من النيوكليوتيدات ببعضها (مسافاتها، طاقات التفاعل المقدرة، والاحتكاكات الذرية المحتملة)، ولقطات ثلاثية الأبعاد «فوكسلية» صغيرة تلتقط سحابة الذرات المحلية حول كل نيوكليوتيدة. يجمع شبكة عصبية متعددة الأجزاء هذه الدلائل معًا في صورة موحدة ثم تتنبأ بخريطتي 2D وسيطتين: أي النيوكليوتيدات من المحتمل أن تكون على اتصال، ومدى احتمال انحراف كل مسافة مُنمذجة عن البنية الحقيقية المجهولة. من هاتين الخريطتين يعيد RNArank بناء درجة ثقة لكل نيوكليوتيدة وكذلك درجة إجمالية لنموذج الـ RNA بأكمله.

تجريب الطريقة

اختبر الفريق RNArank على ثلاث مجموعات بيانات متطلبة: مجموعة مكونة من 24 RNAًّا تم حل هياكلها حديثًا من قاعدة بيانات البنية البروتينية، وأهداف الـ RNA من مسابقتي التنبؤ العمياء الدوليتين CASP15 وCASP16، حيث يقدّم العديد من المجموعات نماذج دون معرفة الإجابات مقدمًا. عبر آلاف الهياكل المرشحة، تابعت درجات RNArank جودة النماذج الحقيقية عن كثب أكثر من عدة طرق تقليدية معتمدة على الطاقة ومقاربات تعلم عميق أخرى. كان متفوقًا بشكل خاص في اختيار أفضل أو قريب من أفضل النماذج من مجموعة، وفي تحديد أي أجزاء من الهيكل من المحتمل أن تكون غير موثوقة. أظهر المؤلفون أيضًا أن أداء RNArank استمر حتى مع RNAs التي كانت متباينة في التسلسل عن تلك التي رآها أثناء التدريب، وهو دليل على التعميم الحقيقي بدلًا من الحفظ.

القيود اليوم وآفاق الغد

RNArank ليس مثاليًا: لا يزال يجد صعوبة مع RNAs المرنة للغاية التي تتبنى أشكالًا متعددة، ومع RNAs التي تغيّر شكلها عند تثبيتها بواسطة بروتينات داخل آلات جزيئية كبيرة. مع ذلك، فهو سريع بما يكفي للتعامل مع العديد من النماذج للـ RNAs التي تصل إلى بضع مئات من النيوكليوتيدات في غضون ثوانٍ، ويساعد بالفعل الخوادم الآلية على اختيار تنبؤات أعلى جودة في اختبارات المجتمع العام. من خلال تقديم حكم مستقل عن الطريقة ومقتصر على البنية فقط لنماذج الـ RNA، يمنح RNArank علماء الأحياء مرشحًا أشد دقة لتحويل مخرجات الحاسوب الأولية إلى فرضيات بنيوية موثوقة، مما يقرب المجال خطوة نحو تنبؤ روتيني وموثوق بأشكال الـ RNA، وبالمقابل إلى رؤى أعمق حول كيفية عمل هذه الجزيئات متعددة الاستخدامات.

الاستشهاد: Liu, X., Wang, W., Du, Z. et al. Quality assessment of RNA 3D structure models using deep learning and intermediate 2D maps. Commun Biol 9, 293 (2026). https://doi.org/10.1038/s42003-026-09582-2

الكلمات المفتاحية: البنية ثلاثية الأبعاد للـ RNA, التعلم العميق, تقييم جودة النماذج, المعلوماتية الهيكلية الحيوية, RNArank