ابزار مدل‌سازی جدید  به درک بهتر بیماری کمک می‌کند….

آیا مفاهیم قلمرو، فرمانرو، شاخه، رده، راسته، خانواده، جنس و گونه و استعاره درخت زندگی داروین را که در زیست شناسی دبیرستان آموخته‌ایم به خاطر می‌آورید؟ این روش برای توصیف دودمان‌های موجودات زنده فقط بهترین حدس علم است که چگونه ژن‌ها به مرور زمان جهش یافته و تقسیم می‌شوند تا موجودات را به آن چه امروزه هستند تغییر دهند.

همانطور که پیشرفت علم در شناسایی پروتئین و تغییرات ژن بهتر می شود، این غیرعادی نخواهد بود که موجودات زنده در جنس‌های دیگری دوباره دسته‌بندی شوند. به عنوان مثال اخیراً در طبقه‌بندی انواع مختلف باکتری‌ها، گیاهان و مرجان‌ها تغییراتی ایجاد شده است.

چه می‌شود اگر بتوانید مدل بهتری از تغییر تکاملی را ایجاد کنید که بتواند تصویر واضح‌تری از گذشته به شما ارائه دهد، در حالی که شاید با توجه به این که موجودات زنده پیچیده از میلیاردها سال پیش در حال تکامل بوده‌اند این مدل 100 درصد دقیق نباشد؟

کریستن نایگل، استادیار مهندسی زیست پزشکی و علوم کامپیوتر در دانشکده مهندسی دانشگاه ویرجینیا و عضو هیئت علمی مقیم مرکز UVA برای ژنومیک بهداشت عمومی و رومن اسلوتسکی دانشجوی دکترای سابق وی که هم اکنون محقق پسادکتری در دانشگاه ماساچوست آمریکا است، همین کار را انجام داده‌اند. کار آن‌ها نشان می‌دهد که چگونه می‌توان مدل‌هایی را ساخت که تغییرات تکاملی را بسیار دقیق‌تر از گذشته بازسازی می‌کنند، که نویدبخش موفقیت برای پیشرفت در درک چگونگی عملکرد بیماری‌ها در بدن انسان است.

مقاله آن‌ها تحت عنوان “ASPEN، روشی برای بازسازی تکامل پروتئین با دقت بهتر با استفاده از مدل‌های ترکیبی”  پنجشنبه 17 اکتبر در مجله eLife منتشر شد.  ASPEN مخفف “دقت از طریق نمونه برداری تکامل پروتئین” است. تحقیقات آن‌ها نقاط قوت UVA را در علوم داده‌های زیست پزشکی برجسته می‌کند.

نایگل گفت: بیشتر مدل‌های تکامل پروتئین که امروزه استفاده می‌شوند احتمالاً اشتباه است. ما اکنون راهی برای تأمل در این مدل‌ها داریم و می‌پرسیم که چگونه می‌توانیم از آنچه در مورد آن‌ها مناسب است برای ساخت مدل‌های بهتر استفاده کنیم. این یک گام مهم است.

برای درک بهتر ماهیت پیچیده کارشان در مدل‌سازی تغییر تکاملی، نایگل یک مقایسه را ارائه می‌دهد: اگر من از شما خواستم که پیش‌بینی کنید کدام مسیر را یک نفر بین سانفرانسیسکو و نیویورک طی کرده است، این یک مدل خواهد بود. اما اگر من از 1000 نفر بخواهم به من یک پیش‌بینی از این که چه مسیری را یک نفر انتخاب کرده است بدهند، بخش‌هایی از مسیرهای پیش‌بینی شده که بین تعداد زیادی از این هزار نفر مشترک است به احتمال زیاد درست خواهد بود. دلیل این امر این است که اکثر مردم ممکن است موافق باشند که یک بزرگراه خاص بین دو شهر کارآمدترین راه برای طی کردن مسیر است، و به این ترتیب آن بخش از بزرگراه دارای یک وزن یا احتمال بسیار قوی خواهد بود.

اگر من دیدم که هیچ کس در مورد هیچ کدام از بخش‌های آن 1000 مسیر توافق ندارند، این به من می گوید که من به این که مدل ها واقعاً دقیق باشند اعتماد خیلی کمی دارم. برعکس، اگر همه در مورد همه چیز یا بیشتر قطعات مسیر توافق داشته باشند، من بسیار مطمئن خواهم بود که باید یکی از بهترین راه‌ها برای طی کردن بین آن دو نقطه باشد. من می‌توانم با مسیری جدید روبرو شوم که هیچ یک از آن مسیرهایی نیست که آن 1000 نفر برای من پیش‌بینی کرده‌اند، اما اشتراکات بسیار زیادی با آن مسیرهای پیش‌بینی شده دارد و این مدل ممکن است نسبت به هر مدلی که به من داده شده به مسیر واقعی بسیار نزدیک‌تر باشد. در پایان، این مدل هنوز ممکن است کاملاً دقیق نباشد، من هرگز نمی‌توانم مسیر واقعی را بدانم مگر این که از شخصی بخواهم واقعاً سفر انجام دهد، اما احتمالاً خیلی بهتر از هر یک از پیشنهادات مسیر به تنهایی است.

“تکامل مانند این است، فقط مانند حدس زدن یک مسیر در طول زمان به جای مکان است.”

بازسازی شاخه‌های تکاملی دشوار است، به ویژه هنگامی که بسیاری از گونه‌ها دارای انواع پروتئین مشابه هستند که ممکن است برای انجام عملکردهای کمی متفاوت تکامل یافته باشند. از نظر ریاضی این مشکل به سرعت بسیار بزرگ می‌شود، اما کشف پیامدهای تکامل پروتئین می‌تواند به درک بهتر چگونگی برخورد بدن ما با سرطان و سایر بیماری‌ها منجر شود.

راه حل این مسئله به ذهن اسلوتسکی رسید هنگامی که او در حال مطالعه پروتئین مهمی در سیگنالینگ سلولی بود که در بسیاری از گونه‌های مختلف مشترک است. او می‌خواست بداند که چگونه پروتئین به مرور زمان تکامل می‌یابد تا عملکردهای متفاوتی در گونه‌های مختلف داشته باشد. سؤال بسیار بزرگی بود، او تصمیم گرفت به عنوان نمونه فقط چند سکانس را برای بازسازی کردن واگرایی تکاملی در نظر بگیرد.

وی گفت: این بازسازی‌ها با یکدیگر موافق نبودند. این به خودی خود مشکل بزرگی نبود و من انتظار نداشتم که همه آن‌ها با هم موافق باشند. اما انتظار داشتم که یک مدل بیشتر اوقات یا حداقل دفعات زیادی تکرار شود.

با تعجب او تصمیم گرفت تا آن چه را که بین همه مدل‌های مخالف هم مشترک است، ببیند. وی گفت: من می‌دانستم كه مجبورم روشی را برای ترکیب کردن اطلاعات همه این مدل‌ها بیابم، زیرا من نمی‌توانستم تنها از رایج‌ترین آن‌ها استفاده كنم. این نوعی از یک چالش غیر منتظره بود که منجر به ارائه‌ی این کار شد.

در طی یک دوره چند ماهه اصلاح نرم‌افزار و آزمایش بر روی مشکلات بسیار بزرگ بازسازی پروتئین‌ها، نایگل و اسلوتسکی قادر به ایجاد یک نرم‌افزار منبع باز بودند که می‌تواند چندین مدل را با هم ترکیب کند تا بتواند تغییرات تکاملی را با دقت بسیار زیادی بازسازی کند.

اسلاوتسکی گفت: هر کاری که بدن ما انجام می‌دهد توسط پروتئین‌ها انجام می‌شود. این یک ابزار قدرتمند است برای درک این که چگونه زیست‌شناسی مولکولی و پروتئین‌ها عمل می‌کنند و هنگامی که همه چیز اشتباه می‌شود، چگونه آن‌ها اشتباه می‌کنند.

داده‌ها و کدهای خام نایگل و اسلوتسکی در مقاله منتشر شده توسط انتشارات eLife گنجانده شده است تا محققان دیگر بتوانند از آن برای مدل‌سازی دقیق‌تر استفاده کنند.

محققان می‌توانند از ابزار جدید نایگل و اسلوتسکی استفاده کنند برای درک این که چگونه پروتئین‌های بسیار مشابه تکامل می‌یابند و سپس داروهای بهتری را برای هدف قرار دادن بسیار اختصاصی یک پروتئین طراحی کنند. نایگل همچنین پزشكی را تصور می‌كند كه سعی دارد با استفاده از تصویربرداری پزشکی محل دقیق و شکل توده‌ای كه در اعماق بدن بیمار پنهان شده است را تشخیص دهد. این ابزار مدل‌سازی بسیار دقیق‌ می‌تواند به آن پزشک کمک کند تا بدون برش بیمار، توده را بهتر بشناسد.

نایگل گفت: “فلسفه بسیار نقل شده جورج. باكس در مورد مدل‌ها در این جا مرتبط است:” اساساً همه مدل‌ها اشتباه هستند اما بعضی از آن‌ها مفید هستند.” ما اکنون یک روش قابل اندازه‌گیری داریم که می‌پرسیم یک مدل چقدر خوب است، و با استفاده از مفیدترین بخش‌ها در میان تعداد زیادی مدل، می‌توانیم مدل‌های بهتری بسازیم.

منبع: sciencedaily