باحثون يستخدمون خوارزميات معالجة اللغة الطبيعية لفهم تحول البروتين

استخدم باحثون من جامعة ميريلاند مؤخرًا تقنيات معالجة اللغة الطبيعية و خوارزميات التعلم الآلي لاكتساب رؤية حول كيفية تحول جزيئات البروتين من شكل إلى آخر. الورقة البحثية التي نُشرت最近 في مجلة نيتشر كوميونيكيشنز، هي المرة الأولى التي يتم فيها استخدام خوارزمية تعلم آلي لدراسة ديناميات الأنظمة الجزيئية البيولوجية فيما يتعلق بتغيير البروتينات.

يمكن للجزيئات البروتينية أن تتخذ أشكالًا مختلفة، ولكن الآليات التي تحفز بروتينًا على التحول من شكل إلى آخر لا تزال غامضة إلى حد ما. وظيفة جزيء البروتين يتم تعريفها من خلال شكله، 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 استجابةً للأحداث في بيئتها. يمكن للضغوط البيئية أن تجعل الجزيئات تتخذ أشكالًا مختلفة، وأحيانًا بشكل مفاجئ. يمكن لجزيء أن يتغير بشكل突然 إلى هيكل مختلف تمامًا، في عملية تشبه إلى حد ما انفتاح الرباط.

根据 Phys.org، كان Pratyush Tiwary هو المؤلف الرئيسي للورقة وهو أستاذ مساعد في قسم الكيمياء والكيمياء الحيوية ومعهد العلوم الفيزيائية والتكنولوجيا في ميريلاند. وفقًا لتيواري، يمكن استخدام معالجة اللغة الطبيعية لنمذجة كيفية تحول الجزيئات وتكيفها. يلاحظ تيواري أن الجزيئات لها لغة معينة، وأن حركات الجزيئات يمكن ترجمتها إلى لغة مجردة.

عندما يتحول جزيء من شكل إلى آخر، يحدث التحول بسرعة فائقة. قد يستغرق التحول وقتًا قصيرًا مثل جزء من التريليون من الثانية. يصعب على العلماء تحديد المعلمات التي تؤثر على عملية التفكيك باستخدام أساليب مثل مطيافية أو حتى مجاهر قوية. من أجل تحديد المعلمات التي تؤثر على التفكيك، أنشأ تيواري وفريق البحث نماذج فيزيائية محاكاة للبروتينات.

استخدمت النماذج الإحصائية المعقدة لإنشاء محاكاة للبروتينات التي تقلد الشكل والمسار والحركة للجزيئات. ثم تم إعطاء النماذج إلى خوارزمية تعلم آلي تعتمد على أساليب معالجة اللغة الطبيعية.

كانت نماذج معالجة اللغة الطبيعية المستخدمة لتدريب نظام التعلم الآلي مشابهة للخوارزميات المستخدمة في أنظمة النص التنبؤي التي يستخدمها جيميل. تم معاملة البروتينات المحاكاة على أنها لغة حيث تم ترجمة حركات الجزيئات إلى “حروف”. ثم تم ربط الحروف معًا لتشكيل كلمات وجمل. تمكن الخوارزمية التعلمية من تعلم القواعد النحوية والصرفية للبروتينات، وتحديد الأشكال / الحركات التي تلي أشكالًا / حركات أخرى.

استخدم الفريق البحثي شبكة ذاكرة طويلة قصيرة الأمد لتحليل الجمل البروتينية. كما قام الفريق بمراقبة الرياضيات التي استندت إليها الشبكة، ومراقبة المعلمات أثناء تعلم الشبكة للديناميات التحويلية للجزيئات البيولوجية.

كما قام الفريق بتحليل جزيء بيولوجي يسمى ريبوسويتش. كان ريبوسويتش قد تم تحليله بالفعل باستخدام مطيافية، وعندما تم تحليل ريبوسويتش باستخدام نظام التعلم الآلي، تمت مطابقة أشكال ريبوسويتش المتوقعة مع تلك التي تم اكتشافها بواسطة المطيافية.

يأمل تيواري أن تتيح نتائجهم للباحثين تطوير علاجات دوائية مستهدفة بأقل آثار جانبية. كما قال تيواري عبر Phys.org:

“تريد الحصول على أدوية قوية ترتبط بقوة مع الهدف الذي تريده، ولكن فقط لمدة تريدها. يمكننا تحقيق ذلك إذا كنا ن理解 الأشكال المختلفة التي يمكن أن يتخذها جزيء بيولوجي معين، لأننا يمكننا إنشاء أدوية ترتبط فقط مع أحد تلك الأشكال المحددة في الوقت المناسب ولفترة زمنية تريدها.”