شبكة استدلال فراغية متعددة الاتجاهات مبنية على SMILES لإعادة بناء نموذج التمثيل الغذائي

لماذا يهم سد الثغرات الأيضية

كل خلية حية تعج بآلاف التفاعلات الكيميائية الدقيقة التي تبقيها على قيد الحياة والنمو والتكيف. يبني العلماء «خرائط» واسعة لهذه التفاعلات لتصميم ميكروبات أفضل لصناعة الوقود، ودراسة كيف تؤثر بكتيريا أمعائنا على الصحة، وحتى للبحث عن أهداف دوائية جديدة. لكن العديد من هذه الخرائط تحتوي على قطع مفقودة: تفاعلات من المرجح أنها تحدث داخل الخلايا لكنها غائبة عن نماذجنا. يقدم هذا البحث نظامًا ذكياً جديدًا اسمه MuSHIN يساعد في سد تلك الثغرات، ما يجعل خرائطنا للأيض أدق وأكثر موثوقية وفائدة.

بناء خرائط أفضل لكيمياء الخلية

تهدف نماذج التمثيل الغذائي الحديثة على مستوى الجينوم إلى سرد كل تفاعل كيميائي يمكن للكائن الحي أن يقوم به تقريبًا. باستخدامها، يمكن للباحثين محاكاة كيف ينمو ميكروب في بيئات مختلفة، وما هي النواتج الجانبية التي يفرزها، وأي الجينات ضرورية للبقاء. ومع ذلك، غالبًا ما تكون هذه النماذج ناقصة. فراغات في المعرفة الحيوية الكيميائية، أخطاء في تصنيف الجينوم، وتجارب محدودة تترك ثقوبًا في الشبكات، فتفشل الخلايا المحاكاة أحيانًا في النمو، أو لا تستطيع إنتاج منتجات التخمير المعروفة، أو تُخطئ في التنبؤ أي الجينات حيوية. تحاول أدوات «سد الثغرات» الحالية ملء هذه الفجوات، لكن الكثير منها يعتمد بشدة على بيانات تجريبية خاصة بالظروف أو يبسط الشبكة لدرجة تفقد معها التفاعلات المعقدة التي تشمل عدة جزيئات في الواقع.

من الروابط البسيطة إلى الاتصالات الفائقة الغنى

يتعامل MuSHIN مع هذه المشكلة بتمثيل الأيض بصورة أكثر وفاءً للواقع. بدلاً من اعتبار كل تفاعل كرابط ثنائي بسيط بين مادتين، يستخدم فراغًا (هايبرغرافيًا) حيث يمكن أن تربط وصلة واحدة أي عدد من الجزيئات معًا في آن واحد. هذا يعكس الكيمياء الحيوية الحقيقية، حيث يحول التفاعل الواحد غالبًا عدة ركائز إلى عدة نواتج في نفس الوقت. ثم يغني MuSHIN هذا البناء بـ«معنى» كيميائي. يحول كل مركب وكل تفاعل، الموصوفين كسلاسل SMILES (ترميز نصي للبنية الجزيئية)، إلى بصمات عددية عالية الأبعاد باستخدام نموذجين معتمديْن على المحولات هما ChemBERTa وRXNFP. تتيح هذه البصمات للنظام أن يفكر ليس فقط في من يرتبط بمن في الشبكة، بل أيضًا في الشكل الكيميائي للمركبات والتفاعلات.

كيف يعمل محرك التعلم

بمجرد إنشاء الفراغ والبصمات الكيميائية، يتعلم MuSHIN التمييز بين التفاعلات الحقيقية والمزيفة. يبني المؤلفون مجموعات تدريب عن طريق أخذ تفاعلات معروفة من نماذج أيضية عالية الجودة ثم خلق أمثلة «سالبة» عن طريق تشويش المشاركين في كل تفاعل بشكل طفيف، محافظين على التوازن العام لكن جاعلين الكيمياء غامضة أو غير معقولة. يستخدم MuSHIN آلية انتباه مزدوجة لتمرير المعلومات ذهابًا وإيابًا بين عقد المركبات والحواف الفائقة للتفاعلات، مصقلاً تمثيله الداخلي لكلٍ منهما بشكل متكرر. تساعد عملية الانتباه هذه النموذج على التركيز على أكثر أجزاء الشبكة والمواصفات الكيميائية إفادة. في الخطوة النهائية، يقيم MuSHIN كل تفاعل، ويخرج درجة تمثل احتمال صحته وبالتالي كونه مرشحًا جيدًا لملء ثغرة.

اختبار MuSHIN

اختبر الباحثون MuSHIN بدقة على 926 نموذجًا أيضيًا من قاعدة بياناتين رئيسيتين، حيث أزالوا منهجيًا تفاعلات معروفة وطلبوا من النموذج استعادتها. عبر مجموعة من مقاييس الجودة، تفوق MuSHIN باستمرار على عدة طرق رائدة في الفراغات والشبكات العميقة، وفي بعض الحالات عزز الأداء بحوالي 17 نقطة مئوية. اللافت أنه ظل دقيقًا حتى عندما أُزيلت نسبة تصل إلى 80% من التفاعلات، ما أظهر مرونة في شبكات شديدة النقص. في مجموعة أخرى من التجارب، طبق الفريق MuSHIN على 24 نموذجًا أوليًا لبكتيريا لاهوائية متورطة في التخمير. بإضافة أفضل 100 تفاعل فقط حسب ترتيب MuSHIN لكل كائن، حسّنوا بشكل كبير قدرة هذه النماذج على التنبؤ بمنتجات التخمير—مثل الإيثانول وحمض اللاكتيك أو حمض الفورميك—الملاحَظة فعليًا في التجارب، بينما احتاجت الطرق المنافسة إلى إضافة تفاعلات أكثر بكثير لتحقيق مكاسب متواضعة.

كشف المسارات الخفية في الأيض

نظرة أقرب على التفاعلات التي يقترحها MuSHIN توضح سبب قيمة توقعاته. يكشف أن نحو نصف الإضافات المقترحة هي تفاعلات نقل وتبادل—خطوات تحرك الجزيئات عبر أغشية الخلايا أو داخل وخارج النظام المُحوَّر. هذه التفاعلات نادرة الظهور في النماذج لكنها غالبًا ما تتحكم فيما إذا كانت المسارات تستطيع حمل أي تدفق على الإطلاق. باستعادة هذه الخطوات الحدودية بشكل صحيح، يعيد MuSHIN فتح مسارات أيضية مسدودة ويستعيد منتجات تخمير مفقودة عبر أنواع متعددة. كما يعالج النموذج ثغرات أكثر تعقيدًا، مثل استعادة إنتاج السوكسينات في بكتيريا معوية بإضافة ناقلات منسقة تكمل فرعًا من دورة توليد الطاقة المركزية.

ما معنى هذا للأحياء والطب

بالنسبة لغير المتخصصين، الرسالة الأساسية أن MuSHIN يجعل خلايانا الافتراضية تتصرف أكثر شبهًا بالخلايا الحقيقية. بدمج تمثيل شبكي أغنى مع ذكاء اصطناعي واعٍ بالكيمياء، يمكنه اكتشاف تفاعلات مفقودة تتجاهلها طرائق أخرى، خاصةً في الميكروبات التي لم تُدرَس جيدًا. قد تسرع هذه الدقة المحسنة تصميم سلالات صناعية لإنتاج الوقود والكيماويات، وتُحسّن نماذج ميكروبيوم الأمعاء البشرية، وتدعم محاكيات أكثر دقة لتمثيل أيض المرض والاستجابة للعلاج. ومع إدراج امتدادات مستقبلية للجينات والتنظيم وحتى تفاعلات جديدة لم تُرَ من قبل، قد تصبح أدوات مثل MuSHIN مركزية في تحويل بيانات الجينوم إلى مخططات موثوقة وتنبؤية للأنظمة الحية.

الاستشهاد: Zhao, Y., Chen, Y., Yu, Y. et al. A multi-way SMILES-based hypergraph inference network for metabolic model reconstruction. Commun Biol 9, 531 (2026). https://doi.org/10.1038/s42003-026-09761-1

الكلمات المفتاحية: نماذج أيضية على مستوى الجينوم, إعادة بناء الشبكات الأيضية, شبكات عصبية فراغية, التعلم العميق في علم الأحياء النظامي, تخمير ميكروبي