نمذجة تفاعلات البروتين-بالبروتين بدقة عبر التعلم الهندسي غير المتغير المستند إلى الفيزياء

لماذا تهم شراكات البروتين

داخل كل خلية، نادراً ما تعمل البروتينات بمفردها. تصطدم ببعضها، وتتماثل كقطع أحجية، وتكوّن شراكات مؤقتة تتحكم في الإشارات، وتحمل الشحنات، وتقاوم العدوى. إن معرفة كيفية التقاء بروتينين بدقة ثلاثية الأبعاد يمكن أن تكشف كيف تنشأ الأمراض وكيف نصمم أدوية أو أجسامًا مضادة جديدة. لكن أخذ هذه «اللقطات» الجزيئية في المختبر بطيء ومكلّف، ولا تزال أدوات الذكاء الاصطناعي الحالية تعثر عندما تكون البيانات شحيحة. تقدم هذه الدراسة ProTact، طريقة حسابية جديدة تهدف إلى سد تلك الفجوات.

حدود أدوات التنبؤ بالبنية الحالية

حوّلت أنظمة مثل AlphaFold قدرتنا على التنبؤ بشكل البروتينات المفردة وبعض المركبات. تعمل هذه الأنظمة بشكل أفضل عندما تتوفر العديد من سلاسل البروتين ذات الصلة، لأنها تتعلم من أنماط التطور. مع ذلك، تفتقر العديد من الأهداف المهمة، بما في ذلك بروتينات الفيروسات والبروتينات المهندسة والأجسام المضادة، إلى سجلات تطورية غنية. في هذه الحالات، قد تخطئ الأدوات الحالية في تقدير كيفية تلاقح البروتينات، لا سيما عند نقاط الاتصال الدقيقة حيث تقترب ذرات الشريكين. يجادل المؤلفون بأنه لتجاوز هذا، يجب أن تنظر النماذج إلى ما هو أبعد من أنماط السلاسل وأن تولي اهتمامًا أكبر للشكل الفيزيائي وملاءمة أسطح البروتين.

طريقة جديدة لقراءة أسطح البروتين

يتعامل ProTact مع كل بروتين كشبكة من البقايا المرتبطة في الفراغ ويركز على كيفية تكامل أسطحها الخارجية. يستخدم مشفِّرًا هندسيًا مصممًا بعناية بحيث لا يغيّر تدوير أو إزاحة البروتين في الفراغ التمثيل الداخلي. تطبّق وحدة ثانية قواعد مستوحاة من علم المثلثات للتفكير في المثلثات المتشكلة من مجموعات من البقايا، مما يساعد النموذج على التقاط تأثيرات متعددة الجسم بدلًا من اتصالات زوجية فقط. معًا، تولّد هذه الأجزاء خريطة تُبرز أي بقايا من البروتينين من المحتمل أن تكون على اتصال عند تشكيل المعقد. يمكن لـ ProTact العمل بالبُنى التجريبية عالية الجودة أو الأشكال المتنبأ بها بواسطة أدوات أخرى، ويمكنه استخدام معلومات السلسلة عند توفرها دون الاعتماد عليها.

مدى أداء الطريقة

اختبر الباحثون ProTact على عدة مجموعات معيارية من أزواج البروتين، بما في ذلك حالات صعبة من تجارب التقييم على مستوى المجتمع. عبر هذه المقاييس، حدد ProTact باستمرار بقايا الاتصال بدقة أعلى من الأساليب الرائدة القائمة على السلسلة والبنية. على سبيل المثال، حسّن مقياس الدقة الشائع بنحو ثلث مقارنةً بأفضل نهج قائم على الطرق الحالية في مجموعتي بيانات مستخدَمتين على نطاق واسع. حتى عندما كانت البُنى المدخلة من AlphaFold بدلاً من التجارب، وبالتالي احتوت على ضوضاء، بقي ProTact أكثر دقة من الأدوات المنافسة. كما تعاملت الطريقة مع اختبار أعمى كبير لأزواج بروتين حُلت مؤخرًا، مُظهرة أداءً قويًا لكلٍ من المعقدات المتماثلة وغير المتماثلة.

من خرائط الاتصال إلى المعقدات الكاملة

التنبؤ بالبقايا التي تلامس بعضها جزء فقط من المشكلة؛ يرغب العلماء أيضًا في الترتيب الثلاثي الأبعاد الكامل للشركاء. يمكن تحويل خرائط الاتصال الخاصة بـ ProTact إلى أوضاع تراص، أي نماذج كاملة لكيفية جلوس بروتينين معًا. باستخدام خوارزمية محاذاة معيارية، يظهر المؤلفون أن الأوضاع المقترحة من ProTact أقرب إلى المعقدات المحددة تجريبيًا من تلك المستمدة من طرق أخرى قائمة على الاتصالات. إضافة هذه التنبؤات الاتصالية كقيود لبرامج التراص الموجودة يحسّن دقتها في معظم الأزواج المختبرة. كما يمكن لـ ProTact إعادة ترتيب ترشيحات المعقدات المنتجة بواسطة AlphaFold3، مطابقةً بدرجة أكبر درجات الجودة التجريبية ومحسنةً النتائج لعدة أمثلة من الأجسام المضادة والمستضدات حيث تكون بيانات السلسلة نادرة.

تبعات للأجسام المضادة وتصميم الأدوية

تُعد الأجسام المضادة اختبارًا صعبًا بشكل خاص لأن حلقات الارتباط فيها يمكن أن تختلف كثيرًا وغالبًا ما تفتقر إلى إشارات تطورية قوية. من خلال تدريب ProTact أولاً على مجموعة بيانات عامة كبيرة ثم تحسينه على معقدات الجسم المضاد–المستضد، يُظهر المؤلفون تحسّنًا في تنبؤ الاتصالات وجودة التراص مقارنةً بالأدوات المتخصصة الأخرى. في دراسة حالة لجسم مضاد يستهدف فيروس SARS-CoV-2، أنتج ProTact معقدًا أكثر دقة بكثير من الأساليب المنافسة، حتى مع معلومات سلسلة محدودة. يشير ذلك إلى أن التفكير الهندسي التفصيلي حول الأسطح يمكن أن يعوّض جزئيًا عن نقص الأدلة التطورية.

ماذا يعني هذا العمل للمستقبل

لغير المتخصص، الرسالة الأساسية هي أن ProTact يتعلم "الإحساس" بكيفية انسجام سطحين بروتينيين معًا، بدلًا من الاعتماد بدرجة كبيرة على سجلات التطور الطويلة. من خلال نسج أفكار فيزيائية حول تكامل الأشكال داخل شبكة عصبية حديثة، يقدم توقعات أكثر موثوقية حول مواقع التلامس وكيفية تجمّع البروتينات في معقدات. مع أنه لا يزال يعتمد على جودة البُنى الابتدائية ويواجه صعوبة عندما تتغير البروتينات شكلًا بشكل درامي، يقدم ProTact أداة قوية جديدة لرسم خرائط شراكات البروتين، خصوصًا في البيئات الفقيرة بالبيانات. قد يسرّع ذلك الدراسات الأساسية لآليات الخلية ويدعم تصميم علاجات جديدة تعمل عن طريق إعادة تشكيل تفاعلات البروتين.

الاستشهاد: Rao, J., Liu, D., Zhou, X. et al. Accurate protein-protein interactions modeling through physics-informed geometric invariant learning. Commun Biol 9, 685 (2026). https://doi.org/10.1038/s42003-026-09809-2

الكلمات المفتاحية: تفاعلات البروتين-بالبروتين, تنبؤ البنية, التراص, AlphaFold, ارتباط الأجسام المضادة