تتكون الكائنات الحية من آلاف البروتينات المختلفة، كل منها مشفر بواسطة جين معين. ولكي يكتسب نوع الخلية هويته وشكل ووظيفة فريدة، يجب تنشيط الجينات بواسطة "المعززات". حاول العلماء منذ فترة طويلة فك شفرة كيفية عمل المعززات. الآن، في دراسة جديدة، استخدم مختبر ألكسندر ستارك في معهد علم الأمراض الجزيئي في مركز فيينا للبيولوجيا في النمسا ومختبر إيلين فورلونج في مختبر البيولوجيا الجزيئية الأوروبي علم الجينوم والذكاء الاصطناعي لفك شفرة جينية ثانية، وهي الشفرة الأساسية لتنظيم الجينات. نُشرت الورقة البحثية بعنوان "التصميم المستهدف للمعززات الاصطناعية للأنسجة المختارة في جنين ذبابة الفاكهة" على الإنترنت في 12 ديسمبر 2023 في مجلة Nature.
تحتوي كل خلية سليمة في أي كائن حي معقد على نفس النسخة من الجينوم، الذي يتضمن آلاف الجينات، التي تشكل المخططات الأولية لبناء البروتينات. ولتكوين أنواع مختلفة من الخلايا والأنسجة والأعضاء، هناك حاجة إلى آليات إضافية لتشغيل وإيقاف التعبير عن جينات محددة بدقة عالية.
وباعتبارها أجزاء من الحمض النووي في الجينوم، تشكل المعززات عنصراً أساسياً في تشغيل الجينات، وقد جعل مختبر ستارك مهمته فك الشفرة التي تربط تسلسل الحمض النووي للمعزز بوظيفته التنظيمية للجينات. ورغم اكتشاف المعززات لأول مرة في أوائل ثمانينيات القرن العشرين، إلا أن العلماء لم يطوروا طرقاً لتحديد المعززات تجريبياً إلا في العقد الماضي.
وبناءً على هذا الأساس، يسعى مختبر ستارك وشركاؤه الآن إلى تحقيق ثلاث مهام تشكل في مجموعها هدفًا بعيد المدى يبدو مستحيلًا: التنبؤ بنشاط المعززات استنادًا إلى تسلسلات الحمض النووي الخاصة بها؛ والتنبؤ بعواقب طفرات المعززات؛ وتصميم المعززات من الصفر لأنسجة محددة. بعبارة أخرى: قراءة وفهم وكتابة شفرة جينية ثانية.
مع التطورات الحديثة في علم الجينوم والذكاء الاصطناعي، أتيحت الفرصة لكسر هذه الشفرة. وقد طور هؤلاء المؤلفون نموذجًا قويًا للتعلم العميق والتعلم الانتقالي ودربوه بكمية كبيرة من البيانات التي تم الحصول عليها من دراسات سابقة أجريت على ذبابة الفاكهة، وهو كائن نموذجي يستخدم على نطاق واسع في علم الأحياء التنموي.
من المختبر إلى الذكاء الاصطناعي والعكس
أولاً، تم تدريب هذه النماذج باستخدام تسلسلات الحمض النووي على مستوى الجينوم وبيانات إمكانية الوصول إلى الحمض النووي المقابلة. ثم تم استخدام نموذج التعلم العميق لتهيئة الضبط الدقيق لنموذج تعلم الهجرة، حيث يتعلم نموذج تعلم الهجرة ربط تسلسلات الحمض النووي بشكل مباشر بنشاط معزز محدد.
يقول ستارك: "يمكنك شرح تعلم الهجرة بهذه الطريقة: تخيل أنك تريد تدريب نموذج للتعرف على القطط في الصور، ولكن لديك عدد قليل جدًا من صور القطط المتاحة. ولكن لديك الكثير من صور الكلاب. لذا، تقوم أولاً بتدريب نموذج الذكاء الاصطناعي على صور الكلاب، ثم ضبطه في خطوة ثانية، والآن يمكنك التعرف على القطط".
صورة من مجلة Nature، 2023، doi:10.1038/s41586-023-06905-9.
ومن خلال التعلم الانتقالي، تمكن النموذج من التنبؤ بنشاط المعزز في خمسة أنواع من الأنسجة في أجنة ذبابة الفاكهة - الجهاز العصبي المركزي، وأقسام الدماغ، والبشرة، والأمعاء، والعضلات.
وبناءً على هذا التوقع، نقل هؤلاء المؤلفون جهودهم البحثية من العالم المجرد للبيانات الضخمة والذكاء الاصطناعي إلى منضدة المختبر. وباستخدام أدوات علم الأحياء الجزيئي المتطورة، اختبروا 40 معززًا اصطناعيًا مصممًا حاسوبيًا في أجنة ذبابة الفاكهة الحية. والواقع أن هذه المعززات نشطة وتدفع التعبير الجيني في الأنسجة المستهدفة.
يقول برناردو دي ألميدا من مركز فيينا للبيولوجيا، المؤلف الأول للورقة البحثية: "إن القدرة على بناء معززات اصطناعية ذات خصائص محددة توفر فرصًا غير مسبوقة للتحكم في التعبير المستهدف للجينات". ويمكن أن تكون التطبيقات المستقبلية في علم الأحياء الاصطناعي أو العلاج الجيني، حيث يعد التصميم الدقيق والتلاعب بأنماط التعبير الجيني شرطًا أساسيًا".
ولكن بالنسبة لستارك، فإن تقديم رؤى جديدة لظاهرة أساسية للحياة هو الجانب الأكثر أهمية في هذا البحث: "قبل حوالي 60 عامًا، تعلم العلماء كيفية عمل الشفرة الجينية الأولى، وكيف يتم ترجمة المخطط الجزيئي للحمض النووي إلى بروتينات. وبفضل قوة علم الجينوم والذكاء الاصطناعي، نجحنا الآن في كسر الشفرة الجينية الثانية للحياة، ألا وهي كيفية التحكم في نشاط الجينات".
