یادگیری ماشین با خواندن بی‌نظمی پروتئین‌ها، ژن‌های مرتبط با اوتیسم را از سایر ژن‌ها جدا می‌کند
اختلال طیف اوتیسم زندگی حدود یک تا دو درصد از کودکان در سراسر جهان را تحت تأثیر قرار می‌دهد و بر نحوه ارتباط، یادگیری و تجربه آن‌ها از جهان پیرامون اثر می‌گذارد. پشت این تنوع رفتاری، یک معمای بزرگ ژنتیکی قرار دارد. صدها ژن با این اختلال مرتبط دانسته شده‌اند، اما تنها بخش کوچکی از آن‌ها شواهد ژنتیکی قوی و تکرارشونده‌ای دارند که پزشکان بتوانند بر اساس آن‌ها اقدام کنند. پژوهشی جدید که توسط شولا شازمن از دانشگاه آزاد اسرائیل انجام شده و در مجله BMC Pediatrics منتشر شده است، رویکرد تازه‌ای برای کاهش این فاصله ارائه می‌دهد؛ رویکردی که به یکی از ویژگی‌های کمتر مورد توجه پروتئین‌ها در طبقه‌بندی ژن‌ها نگاه می‌کند: بی‌نظمی ذاتی.
ناحیه‌های ذاتاً بی‌نظم پروتئین‌ها یا IDRها، بخش‌هایی از یک پروتئین هستند که هرگز در یک شکل سه‌بعدی سخت و ثابت قرار نمی‌گیرند. برخلاف مارپیچ‌ها و ورقه‌های منظمی که در تصاویر آموزشی ساختار پروتئین‌ها دیده می‌شوند، این بخش‌ها به‌صورت مجموعه‌ای انعطاف‌پذیر از حالت‌های مختلف باقی می‌مانند و دائماً میان شکل‌های گوناگون تغییر می‌کنند. برای دهه‌ها، زیست‌شناسان ساختاری این نواحی را ناهنجاری می‌دانستند، زیرا تبلور آن‌ها دشوار بود و با روش‌های سنتی تعیین ساختار سازگاری نداشتند. اما پژوهش‌های دو دهه اخیر نشان داده‌اند که بی‌نظمی الزاماً نقص نیست. نواحی بی‌نظم، مراکز فعالیت مولکولی هستند؛ آن‌ها به‌عنوان محل اتصال پروتئین‌ها به شرکای متعدد، کلیدهای مولکولی پاسخ‌دهنده به پیام‌های سلولی و رابط‌های انعطاف‌پذیری عمل می‌کنند که مجموعه‌های بزرگ پروتئینی را هماهنگ می‌سازند. در دستگاه عصبی که شبکه‌های پیام‌رسانی آن متراکم و پویاست، این بی‌نظمی فراوان‌تر دیده می‌شود.
منطق پژوهش جدید ساده اما قدرتمند است: اگر نواحی بی‌نظم امکان تعامل‌های متنوع و وابسته به شرایط را فراهم می‌کنند، همان تعامل‌هایی که رشد عصبی به آن‌ها نیاز دارد، ممکن است ژن‌های مرتبط با اوتیسم در پروتئین‌های تولیدشده توسط خود امضای مشخصی از بی‌نظمی داشته باشند. برای آزمایش این فرضیه، شازمن مجموعه داده‌ای را از پایگاه داده SFARI Gene، یکی از معتبرترین منابع گردآوری‌شده پژوهش‌های ژنتیک اوتیسم، تهیه کرد. این تحلیل ۲۳۸ ژن مرتبط با اختلال طیف اوتیسم را با ۲۲۵ ژن کنترل مقایسه کرد و میزان پیش‌بینی‌شده بی‌نظمی ذاتی در محصولات پروتئینی هر ژن و ارتباط این الگوها با شواهد ژنتیکی پشت طبقه‌بندی هر ژن را سنجید.
هسته محاسباتی این مطالعه مجموعه‌ای از مدل‌های یادگیری ماشین، از جمله شبکه‌های عصبی مصنوعی، بود که برای تشخیص پروتئین‌های مرتبط با اوتیسم از مجموعه کنترل آموزش داده شدند. این مدل‌ها از ویژگی‌هایی مانند میزان نواحی بی‌نظم ذاتی و الگوهای ژنتیکی استفاده کردند. طبقه‌بندی ژن‌های بیماری‌زا کاری دشوار است، زیرا مرز میان ژن‌های مرتبط و غیرمرتبط مبهم است و ویژگی‌هایی که مدل در اختیار دارد تنها نماینده‌های غیرمستقیم از زیست‌شناسی هستند. با وجود این دشواری‌ها، نتایج قابل توجه بود. مدل به دقت ۶۶ درصد و سطح زیر منحنی مشخصه عملکرد گیرنده (AUC) برابر با ۰٫۷۳ دست یافت. از نظر عملی، AUC برابر ۰٫۷۳ یعنی اگر مدل به‌طور تصادفی یک ژن مرتبط با اوتیسم و یک ژن کنترل دریافت کند، حدود ۷۳ درصد مواقع ژن واقعی مرتبط با اوتیسم را در رتبه بالاتر قرار می‌دهد؛ عملکردی که به‌طور محسوسی بهتر از شانس ۵۰ درصدی است.
این اعداد ممکن است در مقایسه با امتیازهای نزدیک به کامل که در برخی آزمون‌های یادگیری ماشین گزارش می‌شوند، متوسط به نظر برسند، اما چنین مقایسه‌ای در این حوزه گمراه‌کننده است. وظایف مربوط به طبقه‌بندی ژن‌ها با برچسب‌های پرنویز، شواهد ناقص و هم‌پوشانی زیاد میان زیست‌شناسی گروه‌های مورد بررسی و کنترل روبه‌رو هستند. مدلی که بتواند تنها از ویژگی‌های توالی پروتئین و بدون اتکا به داده‌های بیان ژن یا شبکه‌های تعامل شناخته‌شده، نشانه‌ای واقعی از ژنتیک اوتیسم استخراج کند، نشان می‌دهد که بی‌نظمی ذاتی اطلاعات مهمی در خود دارد. این یافته همچنین مطرح می‌کند که ویژگی‌های مرتبط با بی‌نظمی می‌توانند همراه با شواهد دیگری مانند نرخ جهش‌های جدید (de novo) و الگوهای بیان ژن در مغز، برای ساخت ابزارهای دقیق‌تر اولویت‌بندی ژن‌های نامزد استفاده شوند.
شاید جالب‌ترین یافته زیستی پژوهش از تحلیل غنی‌سازی عملکردی پس از مرحله طبقه‌بندی به دست آمد. زمانی که پژوهشگران پروتئین‌ها را بر اساس میزان بی‌نظمی آن‌ها دسته‌بندی کردند، یک تفکیک عملکردی روشن مشاهده شد. پروتئین‌هایی با میزان بالای بی‌نظمی، یعنی دست‌کم ۴۹ درصد از توالی آن‌ها به‌صورت پیش‌بینی‌شده بی‌نظم بود، به‌طور معناداری در نقش‌های مرتبط با رفتار و شناخت غنی‌تر بودند؛ حوزه‌هایی که در مرکز اختلال طیف اوتیسم قرار دارند. در مقابل، پروتئین‌هایی با میزان بی‌نظمی ۱۱ درصد یا کمتر بیشتر با عملکردهای مرتبط با حافظه ارتباط داشتند. این شیب نشان می‌دهد میزان انعطاف‌پذیری ساختاری یک پروتئین ممکن است با نوع فرایندهای عصبی که پشتیبانی می‌کند ارتباط داشته باشد و زیست‌شناسی مرتبط با اوتیسم در بخش انعطاف‌پذیرتر و غنی‌تر از تعاملات پروتئینی این طیف متمرکز باشد.
این الگو با موضوعی گسترده‌تر در ژنتیک عصبی همخوانی دارد. بسیاری از شناخته‌شده‌ترین ژن‌های خطر اوتیسم، پروتئین‌هایی را رمزگذاری می‌کنند که در تنظیم ساختار سیناپس‌ها و رونویسی ژن نقش دارند؛ فرایندهایی که بیشتر به تعامل‌های متعدد و دقیقاً تنظیم‌شده پروتئین‌ها وابسته‌اند تا ماشین‌های آنزیمی کاملاً سخت و ثابت. نواحی بی‌نظم برای چنین نقش‌هایی مناسب هستند، زیرا یک بخش بی‌نظم می‌تواند به شرکای مختلفی متصل شود؛ حتی اگر هر اتصال به‌تنهایی ضعیف باشد، ترکیب آن‌ها می‌تواند اختصاصیت بالایی ایجاد کند؛ پدیده‌ای که پژوهشگران آن را اتصال چندظرفیتی می‌نامند. نتایج جدید نشان می‌دهد تخصص عملکردی پروتئین‌های مرتبط با اوتیسم، دست‌کم بخشی از خود را در میزان بی‌نظمی موجود در توالی آن‌ها نشان می‌دهد و پایه‌ای فیزیکی برای توضیح این موضوع فراهم می‌کند که چرا اختلال در این ژن‌ها می‌تواند به الگوهای شناختی و رفتاری خاص این اختلال منجر شود.
پیامدهای این پژوهش تنها به زیست‌شناسی پایه محدود نمی‌شود و به کاربردهای بالینی نیز ارتباط پیدا می‌کند. آزمایش‌های ژنتیکی اوتیسم در حال حاضر بیشتر بر تغییرات ژنی در ژن‌هایی تمرکز دارند که قوی‌ترین شواهد را دارند؛ موضوعی که باعث می‌شود بسیاری از خانواده‌ها پاسخ قطعی دریافت نکنند. یک سامانه امتیازدهی که ژن‌های نامزد را بر اساس الگوهای بی‌نظمی پروتئینی رتبه‌بندی کند، می‌تواند به پژوهشگران کمک کند از میان صدها ژن با شواهد ضعیف‌تر، مواردی را که نیازمند بررسی عمیق‌تر آزمایشگاهی و بالینی هستند، شناسایی کنند. نویسندگان مطالعه معتقدند این یافته‌ها می‌تواند در آینده برای بهبود ابزارهای غربالگری ژنتیکی، دقیق‌تر کردن تشخیص‌ها و توسعه درمان‌های هدفمند به کار گرفته شود. از آنجا که نواحی بی‌نظم اغلب در تعاملاتی نقش دارند که از نظر نظری می‌توان آن‌ها را با دارو تعدیل کرد، شناخت پروتئین‌های مرتبط با اوتیسم که بی‌نظمی بیشتری دارند، ممکن است به راهبردهای درمانی برای اهدافی کمک کند که تاکنون دشوار تلقی می‌شدند.
با این حال، محدودیت‌های مهمی نیز وجود دارد. دقت ۶۶ درصدی این مدل به‌تنهایی برای تشخیص کافی نیست و برچسب‌های آموزشی آن نیز از پایگاه SFARI Gene گرفته شده‌اند؛ پایگاهی که وضعیت فعلی پژوهش‌های ژنتیک اوتیسم و همچنین سوگیری‌های ناشی از مطالعه بیشتر برخی ژن‌ها را بازتاب می‌دهد. پیش‌بینی‌های مربوط به بی‌نظمی، هرچند روزبه‌روز دقیق‌تر می‌شوند، همچنان برآوردهای محاسباتی هستند و نه ساختارهای اندازه‌گیری‌شده. همچنین این پژوهش داده‌ای مستقیم از بیماران جمع‌آوری نکرده است، بنابراین نتایج آن درباره الگوهای سطح ژن است، نه پیش‌بینی خطر برای افراد. این محدودیت‌ها نتیجه اصلی مطالعه را تضعیف نمی‌کنند، اما جایگاه آن را مشخص می‌سازند: این ابزار برای اولویت‌بندی و تولید فرضیه است، نه یک آزمایش بالینی.
با وجود این محدودیت‌ها، این مطالعه نشان می‌دهد ویژگی ساختاری یک پروتئین، نه فقط شباهت توالی یا الگوی بیان آن، می‌تواند اطلاعاتی درباره ارتباط آن با بیماری در خود داشته باشد. این پژوهش اختلال طیف اوتیسم را نیز به فهرست رو به رشد بیماری‌هایی اضافه می‌کند که در آن‌ها نواحی ذاتاً بی‌نظم پروتئین‌ها به‌عنوان عناصر فعال زیستی، نه شکاف‌های ساختاری، شناخته شده‌اند. با پیشرفت روش‌های یادگیری ماشین و بهبود پیش‌بینی بی‌نظمی پروتئین‌ها، رویکردهایی مانند این می‌توانند به یکی از لایه‌های استاندارد در سامانه‌های چندشواهدی تفسیر ژنوم انسان تبدیل شوند. برای اختلالی با پیچیدگی ژنتیکی اوتیسم، هر نشانه مستقل اهمیت دارد و این پژوهش نشان می‌دهد یکی از این نشانه‌ها در بخش‌های انعطاف‌پذیر و بی‌شکل پروتئین‌ها پنهان بوده است؛ بخش‌هایی که زیست‌شناسی مدت‌هاست از آن‌ها استفاده می‌کند.
موضوع پژوهش: طبقه‌بندی ژن‌های مرتبط با اختلال طیف اوتیسم با استفاده از یادگیری ماشین بر اساس نواحی ذاتاً بی‌نظم در محصولات پروتئینی آن‌ها
عنوان مقاله: طبقه‌بندی ژن‌های مرتبط با اختلال طیف اوتیسم از طریق تحلیل بی‌نظمی ذاتی در محصولات پروتئینی آن‌ها
منابع مقاله: Shazman, S. (2026). Classification autism spectrum disorder associated genes through analysis of the intrinsic disorder in their protein products. BMC Pediatrics. https://doi.org/10.1186/s12887-026-07650-4
اعتبار تصویر: تولیدشده با هوش مصنوعی
DOI: 10.1186/s12887-026-07650-4
کلیدواژه‌ها: اختلال طیف اوتیسم، نواحی ذاتاً بی‌نظم، یادگیری ماشین، پایگاه داده SFARI Gene، طبقه‌بندی ژنتیکی، شبکه‌های عصبی مصنوعی، بی‌نظمی پروتئین، اختلالات رشد عصبی، غنی‌سازی عملکردی، غربالگری ژنتیکی، BMC Pediatrics، رفتار و شناخت
منبع خبر: Juliet Wilcox. (۱۳ اکتبر ۲۰۲۶). Machine Learning Reads Protein Disorder to Sort Autism Genes from the Rest. Scienmag.