דיפוזיה מותנית עם יישור מודלי המודע למקומיות ליצירת מערכי קונפורמציות חלבונים מגוונים

מדוע תנועת החלבון חשובה

חלבונים בתאים שלנו אינם פסלים קשיחים; הם מתנהגים יותר כמו מכונות זעירות וגמישות שמשנות את צורתן בתדירות גבוהה. שינויים אלה בצורה יכולים לקבוע כיצד אנזימים מקטלזים תגובות, כיצד קולטנים מגיבים לתרופות ואיך אותות זורמים בתא. עם זאת, רוב התיאורים המוכרים של חלבונים מציגים רק "תצלום" אחד של המבנה, וחסרה בהם המגוון העשיר של הצורות הקיימות בפועל. מאמר זה מציג את Mac-Diff, שיטה מבוססת בינה מלאכותית שיכולה במהירות ליצור צורות רבות וריאליסטיות לחלבון נתון, ועוזרת למדענים לראות לא רק איך חלבון נראה, אלא איך הוא "נושם" ונע.

מתצלום יחיד למערכים נעים

עשרות שנים החוקרים הסתמכו על ניסויים מייגעים או על סימולציות דינמיקת מולקולות ארוכות כדי לחקור תנועת חלבונים, ששניהם יכולים להיות איטיים ויקרים. כלים פורצי דרך כמו AlphaFold2 כעת חוזים את המבנה התלת־ממדי הסביר ביותר של חלבון ישירות מרצף חומצות האמינו, אך בדרך כלל מחזירים רק צורה אחת או כמה צורות מועדפות. חלבונים רבים, במיוחד אלה המעורבים באיתות ובבקרה אלוסטרית, תופסים באופן טבעי מספר מצבים משתנים ומרומזים. המחברים טוענים שברצוננו להבין כיצד חלבונים אלה פועלים באמת — וכדי לעצב תרופות הקשורות לצורות חולפות ופחות ברורות — יש צורך בשיטה שמייצרת מערכים של קונפורמציות סבירות שלמות, ולא רק בתחזית בודדת.

גישה "דיפוזיה" מבוססת בינה מלאכותית לתנועת חלבונים

Mac-Diff מתמודד עם האתגר באמצעות מודל גנרטיבי בסגנון דיפוזיה, סוג של בינה מלאכותית שהניע קפיצות גדולות בסינתזת תמונות. במקום להסיר רעשים מתמונות, Mac-Diff מסיר רעש מתיאורים גאומטריים מופשטים של שלד החלבון. המודל מייצג חלבון כגריד של יחסים זוגיים בין שיירים — מרחקים וזוויות שאינם מושפעים מהסיבוב או התרגום של המולקולה כולה. בשלב קדימה, המערכת מוסיפה בהדרגה רעש לדפוסים הגאומטריים עד שהם דומים לרעשי סטטית אקראי. בשלב ההפוך, היא לומדת להסיר את הרעש שלב אחר שלב, בהנחיית רצף חומצות האמינו של החלבון, עד שמופיעים מחדש גיאומטריות קוהרנטיות התואמות 3D, שניתן לאחר מכן להמירן למודלים אטומיים מלאים על ידי תוכנות בניית מבנים סטנדרטיות.

מתן קול לרצף מול המבנה באופן מקומי

חידוש מרכזי טמון בדרך שבה Mac-Diff מקשר רצף ליניארי של שיירים לשכנים התלת־ממדיים שלהם. לאפשר לכל שייר להתמקד בכל שייר אחר, כמו במודלים מטקסט לתמונה, היה מטשטש אילוצים פיזיים חשובים. במקום זאת, המחברים מציגים מנגנון תשומת לב "מודע למקומיות" שממקם את תשומת ליבו של כל שייר על שכונה קטנה וסבירה של שותפי אינטראקציה. להערכת שכונות אלה משתמש Mac-Diff בשלושה מרכיבים: מודל שפה לחלבונים בשם ESM-2 שמקודד את ההקשר הביוכימי של כל שייר; מפת מגע שמרמזת אילו זוגות של שיירים צפויים להיות קרובים זה לזה; וכלל פשוט שמעדיף שיירים הקרובים זה לזה לאורך השרשרת. אותות אלה משולבים כך שבמהלך הסרת הרעש המודל מעדיף להשתמש במידע משיירים שהם שותפים פיזית סבירים, ומחדד את יכולתו לשחזר מבנים ריאליסטיים וגמישים.

בדיקות מול סימולציות ארוכות וחלבונים שמשנים צורה

החוקרים בחנו את Mac-Diff בשני חזיתות תובעניות. ראשית, הם בדקו האם הוא יכול לשחזר את התפלגות הצורות הרחבה שנצפתה בסימולציות דינמיקת מולקולות ארוכות ומחושבות בקפידה של חלבונים מתקפלים במהירות ושל חלבון בוחן קלאסי הידוע כ־BPTI. במדידות שונות המשוות תכונות סטטיסטיות של המערכים שנוצרו לנתוני הסימולציה — כגון התפלגויות מרחקים בתוך החלבון ודחיסות כללית — Mac-Diff תאם או עלה על שיטות בינה מלאכותית מתחרות, ובמקביל ייצר מגוון רחב יותר של קונפורמציות. הוא תפס את רוב המצבים "המתאימים" המרכזיים שזוהו בסימולציות ושכפל דפוסי גמישות ברמת השיירים עם מתאם גבוה, מה שמעיד שהמערכים שלו משקפים הן קפלים גלובליים והן תנודות מקומיות באופן ריאליסטי.

גילוי מצבים פונקציונליים מוסתרים

שנית, הצוות אתגר את Mac-Diff עם חלבונים הידועים בכך שהם מאמצים צורות שונות מאוד במהלך פעולתם, כולל האנזים אדנילאט קינאז, שמתחלף בין צורות פתוחות וסגורות במהלך חילוף החומרים האנרגטי, וקבוצת מבחן מורכבת של 40 חלבונים שיש להם שתי קונפורמציות שנקבעו ניסויית לכל אחד. Mac-Diff ייצר רק 100 מבני מועמד לכל חלבון — הרבה פחות ממסלולי סימולציה טיפוסיים — ובכל זאת השיב את רוב המצבים הידועים בהתאמה גיאומטרית טובה. באדנילאט קינאז, לדוגמה, הוא הפיק הן קונפורמציות פתוחות והן סגורות עם דמיון גבוה למבני גבישים, בעוד ששיטות פופולריות רבות נטו להעדיף רק מצב אחד. המודל גם רץ כאלף פעמים מהר יותר מסימולציות קונבנציונליות על חומרה השוואתית, מה שהופך חקירה שיטתית של גיוון צורות לפרקטית הרבה יותר.

מה המשמעות של זה לביולוגיה ולרפואה

במילים פשוטות, Mac-Diff הופך רצף חלבון לגלריה של תנוחות סבירות במקום לתמונה יחידה, ועושה זאת תוך הבנה אילו חלקים צפויים לדחוק או להיאחז זה בזה בתלת־ממד. על ידי דגימה מדויקת ויעילה של מערכים אלה, השיטה מציעה דרך לחקור כיצד שינויים עדינים בצורה תורמים לפונקציה, לזהות קונפורמציות נדירות אך חשובות ולחפש כיסי קשירה לתרופות שמופיעים רק במצבים חולפים. אף שהשיטה עדיין לא לוכדת את ה"סרטים" הממוינים בזמן שסימולציות מספקות, Mac-Diff מביאה את הנוף הדינמי של חלבונים לתחום האפשרי עבור הרבה יותר מערכות, ומבטיחה תובנות חדשות לביולוגיה מבנית, לעיצוב תרופות ולמהנדסי חלבונים.

ציטוט: Wang, B., Wang, C., Chen, J. et al. Conditional diffusion with locality-aware modal alignment for generating diverse protein conformational ensembles. Nat Mach Intell 8, 415–434 (2026). https://doi.org/10.1038/s42256-026-01198-9

מילות מפתח: דינמיקה של חלבונים, מודלים של דיפוזיה, מערכי קונפורמציות, חלבונים אלוסטריים, גילוי תרופות