باحثون يستخدمون خوارزميات معالجة اللغة الطبيعية لفهم تحول البروتين

قام باحثون من جامعة ميريلاند مؤخرًا بتطبيق تقنيات معالجة اللغة الطبيعية و خوارزميات التعلم الآلي لاكتساب رؤية حول كيفية تحول جزيئات البروتين من شكل إلى آخر. الورقة الحديثة ، المنشورة في مجلة نيتشر كوميونيكيشنز ، هي المرة الأولى التي يتم فيها استخدام خوارزمية تعلم آلي لدراسة ديناميات الأنظمة الجزيئية الحيوية فيما يتعلق بتحول البروتينات.

يمكن للجزيئات البروتينية أن تتخذ أشكالًا متعددة ، ولكن الآليات التي تحفز بروتينًا على التحول من شكل إلى آخر لا تزال غامضة إلى حد ما. يتم تعريف وظيفة جزيئة بروتينية بواسطة شكلها ، واكتساب فهم أفضل للآليات التي تؤثر على الشكل / الهيكل للبروتين يمكن أن يسمح للعلماء بتصميم علاجات دوائية مستهدفة وتحديد سبب الأمراض.

الجزيئات البيولوجية ليست ساكنة ، إنها تتحرك باستمرار استجابة للأحداث في بيئتها. الضغوط البيئية يمكن أن تجعل الجزيئات تتخذ أشكالًا مختلفة ، في كثير من الأحيان بشكل مفاجئ. يمكن للجزيء أن يتحول بشكل مفاجئ إلى هيكل مختلف تمامًا ، في عملية تشبه إلى حد كبير انفتاح الرباط. تتكشف وتتجعد أجزاء مختلفة من الجزيء ، ودرَس الباحثون المراحل الوسيطة بين الأشكال الجزيئية المختلفة.

وفقًا ل Phys.org ، كان Pratyush Tiwary المؤلف الرئيسي للورقة وأستاذ مساعد في قسم الكيمياء والبيولوجيا الحيوية ومعهد العلوم الفيزيائية والتكنولوجيا في ميريلاند. وفقًا لتيواري ، يمكن استخدام معالجة اللغة الطبيعية لنمذجة كيفية تحول الجزيئات وتكيفها. يشير تيواري إلى أن الجزيئات لها لغة معينة التي تتحدثها ، حيث يمكن ترجمة الحركات التي يقوم بها الجزيئات إلى لغة مجردة. عند تنفيذ عملية تعيين حركة الجزيئة إلى أنماط اللغة ، يمكن استخدام تقنيات معالجة اللغة الطبيعية و خوارزميات التعلم الآلي لإنشاء “قصص حيوية صادقة من الكلمات المجردة الناتجة”.

عندما يتحول جزيء من شكل إلى شكل آخر ، يحدث التحول بسرعة فائقة. قد يستغرق التحول وقتًا لا يتجاوز جزءًا من التريليون من الثانية. تعتبر سرعة التحول كبيرة جدًا بحيث يصعب على العلماء تحديد المعاملات التي تؤثر على عملية التفكك باستخدام طرق مثل التحليل الطيفي أو حتى المجاهر القوية. من أجل تحديد المعاملات التي تؤثر على تفكك البروتينات ، أنشأ تيواري وفريق البحث نماذج فيزيائية محاكاة للبروتينات. تم استخدام نماذج إحصائية معقدة لإنشاء محاكاة بروتينية تقلد الشكل والمسار والحركة للجزيئات. تم بعد ذلك تقديم النماذج إلى خوارزمية تعلم آلي تعتمد على تقنيات معالجة اللغة الطبيعية.

كانت نماذج معالجة اللغة الطبيعية المستخدمة لتدريب نظام التعلم الآلي مشابهة للخوارزميات المستخدمة في أنظمة النص التنبؤي التي يستخدمها جيميل. تم التعامل مع البروتينات المحاكاة على أنها لغة حيث تم ترجمة حركات الجزيئات إلى “حروف”. تم ربط الحروف معًا لتشكيل كلمات وجمل. تمكنت خوارزميات التعلم الآلي من التعلم من القواعد النحوية والصرفية وراء هياكل البروتين ، وتم تحديد الأشكال / الحركات التي تلي أشكالًا / حركات أخرى. يمكن بعد ذلك استخدام الخوارزميات للتنبؤ بكيفية تفكك بروتينات معينة وأي الأشكال التي سيتخذونها.

استخدم الباحثون شبكة ذاكرة قصيرة الأمد الطويلة لتحليل الجمل البروتينية. كما قام فريق البحث بمراقبة الرياضيات التي تعتمد عليها الشبكة ، ومراقبة المعاملات أثناء تعلم الشبكة ديناميات التحول الجزيئي. وفقًا لنتائج الدراسة ، استخدمت الشبكة منطقًا مشابهًا لمفهوم فيزياء إحصائية يُعرف باسم إنتروبيا المسار. إذا تم الحفاظ على هذه المكتشفات ، فقد تؤدي إلى تحسينات في شبكات ذاكرة قصيرة الأمد الطويلة. أوضح تيواري أن الاكتشاف يزيل بعض الطبيعة الغامضة لشبكة ذاكرة قصيرة الأمد الطويلة ، مما يسمح للباحثين بفهم أفضل للمعاملات التي يمكن ضبطها لأداء مثالي.

كحالة اختبار للخوارزمية ، قام الباحثون بتحليل جزيء حيوي يُسمى ريبوسويتش. تم تحليل ريبوسويتش بالفعل باستخدام التحليل الطيفي ، وعندما تم تحليل ريبوسويتش بنظام التعلم الآلي ، تطابقت الأشكال المتوقعة لريبوسويتش مع تلك التي تم اكتشافها بواسطة التحليل الطيفي.

يأمل تيواري أن تتيح نتائجه للباحثين تطوير أدوية مستهدفة تسبب أقل من الآثار الجانبية. كما أوضح تيواري عبر Phys.org:

“تريد أن يكون لديك أدوية قوية ترتبط بقوة ، ولكن فقط بالشيء الذي تريد أن ترتبط به. يمكننا تحقيق ذلك إذا كنا نستطيع فهم الأشكال المختلفة التي يمكن أن يتخذها جزيء حيوي معين ، لأننا يمكن أن نصنع أدوية ترتبط فقط بشكل معين في الوقت المناسب ولفترة زمنية تريدها فقط “.