یادگیری ماشین، الگوهای پنهان تغییرات ساختاری در جهش‌یافته‌های مقاوم KRAS را آشکار می‌کند
تأیید بالینی داروهای سوتوراسیب و آداگراسیب نقطه عطفی در درمان سرطان‌های ناشی از جهش G12C در پروتئین KRAS بود؛ اما هم‌زمان، فرصتی برای مشاهده تأثیر فشار انتخابی بر تکامل سلول‌های سرطانی فراهم کرد. هنگامی که یک مهارکننده کووالانسی به حفره سوئیچ II متصل می‌شود و پروتئین را در شکل غیرفعال و متصل به GDP تثبیت می‌کند، هر سلول توموری که بتواند چرخه تبادل نوکلئوتید را از سر بگیرد یا شبکه برهم‌کنش‌های دارو را مختل کند، از مزیت قابل‌توجهی برای رشد برخوردار می‌شود. جهش‌های ثانویه بررسی‌شده در این پژوهش، یعنی Y96C، Y96S و Y96D، مستقیماً در محل اتصال دارو قرار دارند، اما شیمی اتصال کووالانسی به سیستئین ۱۲ را دست‌نخورده باقی می‌گذارند. این تمایز ظریف اما مهم است: این جایگزینی‌ها به‌جای حذف بخش واکنش‌پذیری که مهارکننده‌ها به آن وابسته‌اند، محیط ساختاری موضعی اطراف حفره اتصال را تغییر می‌دهند. بنابراین، به نظر می‌رسد مقاومت در این مورد بیش از آنکه ناشی از ازدست‌رفتن قابلیت واکنش کووالانسی باشد، به پویایی تغییرات ساختاری و نحوه سازمان‌یافتگی مولکول‌های حلال مربوط است.
تیروزین ۹۶ جایگاهی راهبردی در حفره سوئیچ II دارد. زنجیره جانبی آروماتیک این اسید آمینه، در کنار هیستیدین ۹۵ و گلوتامین ۹۹، در شبکه‌ای از تماس‌های غیرکووالانسی مشارکت می‌کند که اتصال مهارکننده را پایدار نگه می‌دارند. جایگزینی تیروزین با سیستئین یا سرین، که کوچک‌تر هستند و ویژگی‌های قطبی متفاوتی دارند، یا با آسپارتات در جهش Y96D، آرایش انعطاف‌پذیرتر و فاقد بار خالص آن را وارد این موقعیت می‌کند و در نتیجه، سطح آب‌گریز حجیم و چشم‌انداز پیوندهای هیدروژنی درون حفره تغییر می‌یابد. مطالعات بالینی و ساختاری این جهش‌یافته‌ها نشان داده‌اند که مقاومت حاصل می‌تواند به شکل‌های متفاوتی بروز کند: برخی جایگزینی‌ها ظاهراً شکل غیرفعالی را که مهارکننده‌ها ترجیح می‌دهند ناپایدار می‌کنند، درحالی‌که برخی دیگر تماس‌های اختصاصی دارو را مختل می‌کنند یا تعادل میان حالت‌های ساختاری مختلف را تغییر می‌دهند. بااین‌حال، تاکنون روشن نبوده است که آیا این تغییرات بیوشیمیایی متفاوت، به یک الگوی فیزیکی مشترک منتهی می‌شوند که حتی در غیاب دارو نیز قابل‌شناسایی باشد یا خیر.
این پرسش، مبنای طراحی پژوهش بر اساس حالت بدون لیگاند یا «حالت آپو» بود. در بیشتر مطالعات محاسباتی مقاومت دارویی، پروتئین جهش‌یافته در حالت متصل به مهارکننده شبیه‌سازی می‌شود. این رویکرد پیامدهای مستقیم فضایی و الکترواستاتیکی جهش را آشکار می‌کند، اما اثر این تغییرات را با تأثیرات اختصاصی دارو درهم می‌آمیزد. پژوهشگران با شبیه‌سازی پروتئین در حالت متصل‌نبودن به مهارکننده، پرسش دیگری را مطرح کردند: آیا جهش‌یافته مقاوم، پیش از ورود هرگونه مهارکننده، تفاوت‌های قابل‌اندازه‌گیری در حرکت ساختاری، برهم‌کنش‌های میان باقی‌مانده‌های اسیدهای آمینه و میزان در معرض حلال قرارگرفتن سطوح خود نشان می‌دهد؟ اگر چنین نشانه‌های ذاتی وجود داشته باشند، ویژگی‌های خود پروتئین جهش‌یافته محسوب می‌شوند؛ ویژگی‌هایی که هر مهارکننده هدف‌گیرنده حفره سوئیچ II، صرف‌نظر از ساختار شیمیایی‌اش، باید با آن‌ها مواجه شود. این رویکرد از نظر طراحی دارو نیز کاربرد بالقوه‌ای دارد: ترکیبی که بر اساس مجموعه حالت‌های ساختاری پروتئین مقاوم در وضعیت آپو بهینه شده باشد، ممکن است حتی در شرایطی که جهش‌یافته همچنان میان حالت‌های مختلف اتصال به نوکلئوتید جابه‌جا می‌شود، فعالیت خود را حفظ کند.
انتخاب‌های روش‌شناختی این پژوهش بازتاب توجه روزافزون به مشکلات آماری ذاتی در یادگیری ماشین مبتنی بر شبیه‌سازی دینامیک مولکولی است. شبیه‌سازی‌های دینامیک مولکولی هزاران تصویر لحظه‌ای با وابستگی زمانی تولید می‌کنند و در نظر گرفتن هر تصویر به‌عنوان یک مشاهده مستقل می‌تواند عملکرد ظاهری مدل را به‌شدت بیش‌برآورد کند. طرح اعتبارسنجی ترکیبی با داده‌های کنارگذاشته‌شده و مستقل از سامانه، این مشکل را با اطمینان از آن برطرف می‌کند که داده‌های آزمون از سامانه‌های شبیه‌سازی‌ای آمده باشند که در مجموعه آموزش حضور نداشته‌اند. به این ترتیب، مشخص می‌شود که آیا مرز تصمیم‌گیری آموخته‌شده می‌تواند میان جهش‌یافته‌های مختلف تعمیم پیدا کند یا صرفاً الگوهای اختصاصی هر مسیر شبیه‌سازی را به خاطر سپرده است. به همین ترتیب، روش‌های آماری مبتنی بر خوشه‌بندی که در تحلیل تک‌متغیره به کار رفته‌اند، این واقعیت را لحاظ می‌کنند که ساختارهای هم‌ترازیافته از یک مسیر شبیه‌سازی، مشاهداتی مستقل از یکدیگر نیستند. این تدابیر اهمیت دارند؛ زیرا اعتبارسنجی متقابل ساده در سطح تک‌تصویر می‌تواند به طبقه‌بندهایی با دقت ظاهراً بالا منجر شود که در عمل، فقط ویژگی‌های خاص هر اجرای شبیه‌سازی را تشخیص می‌دهند.
تمایزی که نویسندگان میان تغییرات اختصاصی هر جهش‌یافته و ویژگی‌های مشترک فنوتیپ مقاومت قائل می‌شوند، شایسته توجه ویژه است. هنگام مقایسه سه جهش‌یافته G12C/Y96C، G12C/Y96S و G12C/Y96D با سامانه‌های حساس به درمان، برخی ویژگی‌ها ممکن است صرفاً به دلیل شیمی منحصربه‌فرد هر جایگزینی، یکی از جهش‌یافته‌ها را از دو مورد دیگر متمایز کنند. چنین ویژگی‌هایی واقعی هستند، اما قابلیت تعمیم ندارند و نمی‌توان بر اساس آن‌ها مقاومت یک جهش ثانویه تازه‌شناسایی‌شده را پیش‌بینی کرد. در مقابل، ویژگی‌هایی که از نظر آماری در هر سه جهش‌یافته مقاوم سازگارند، به احتمال بیشتری بازتاب پیامد فیزیکی مشترک مقاومت در ناحیه سوئیچ II هستند. راهبرد تطبیق دو دسته داده، یعنی استفاده از اهمیت ویژگی‌ها در مدل یادگیری ماشین برای شناسایی ویژگی‌های نامزد و سپس بررسی تغییرپذیری آن‌ها در گروه مقاوم برای پالایش این فهرست، این تمایز را به روشی عملی تبدیل می‌کند. این چارچوب را می‌توان در مطالعات دیگر مقاومت دارویی نیز به کار گرفت، به‌ویژه هنگامی که چند جهش متفاوت در یک هدف پروتئینی در دسترس باشند.
باقی‌مانده‌های اسیدهای آمینه‌ای که در این پژوهش به‌عنوان حاملان نشانه‌های ساختاری شناسایی شدند، از نظر جایگاه و عملکرد در ساختار KRAS اطلاعات مهمی ارائه می‌کنند. گلوتامات ۶۲ در ناحیه سوئیچ II قرار دارد؛ بخشی از پروتئین که رفتار ساختاری آن برای تبادل نوکلئوتید و برقراری ارتباط با پروتئین‌های اثرگذار اهمیت اساسی دارد. هیستیدین ۹۵ مستقیماً در سطح داخلی حفره سوئیچ II قرار گرفته است؛ همان حفره‌ای که مهارکننده‌های کووالانسی از آن بهره می‌برند و این اسید آمینه بخشی از شبکه برهم‌کنش‌های تثبیت‌کننده سوتوراسیب و آداگراسیب را تشکیل می‌دهد. متیونین ۷۲ نیز که از طریق الگوی نوساناتش در این بررسی مطرح شد، در نزدیکی ناحیه اتصال نوکلئوتید قرار دارد و در پویایی هسته آب‌گریز دامنه G مشارکت می‌کند. اینکه تغییرپذیری سطح در دسترس حلال در E62 و H95، نوسان میانگین مربعات در M72 و H95 و انرژی برهم‌کنش لنارد–جونز نوع ۱،۴ همگی به تفکیک سامانه‌های مقاوم از حساس کمک می‌کنند، نشان می‌دهد که مقاومت در یک تغییر ساختاری ایستا و منفرد خلاصه نمی‌شود؛ بلکه در رفتار پویای مجموعه‌ای از باقی‌مانده‌های مرتبط با یکدیگر در سازوکار سوئیچ II بازتاب می‌یابد.
میزان قرارگرفتن سطوح پروتئین در معرض حلال، به‌عنوان یکی از دسته‌های توصیفگر، اهمیت ویژه‌ای دارد. مولکول‌های آب درون حفره اتصال و اطراف آن بر ترمودینامیک اتصال لیگاند و ترجیحات ساختاری پروتئین تأثیر می‌گذارند. اگر دسترسی یک باقی‌مانده به حلال در طول مسیر شبیه‌سازی به‌شدت تغییر کند، ممکن است نشان‌دهنده آن باشد که حفره در زمینه جهش‌یافته به شکل متفاوتی باز و بسته می‌شود. چنین حرکاتی می‌توانند به‌طور گذرا مسیر ورود یا خروج آب را باز کنند، لیگاند متصل را ناپایدار سازند یا هزینه انرژی لازم برای رسیدن به شکل غیرفعال پروتئین را تغییر دهند. ازآنجاکه شبیه‌سازی‌ها در حالت آپو انجام شده‌اند، این نشانه‌های مربوط به تماس با حلال را نمی‌توان به جابه‌جایی آب بر اثر اتصال لیگاند نسبت داد؛ آن‌ها ویژگی‌های ذاتی پروتئین جهش‌یافته در محلول هستند. ازاین‌رو، می‌توان آن‌ها را نامزدهایی برای اعتبارسنجی تجربی دانست؛ برای مثال، با اندازه‌گیری‌های آرامش حلال، طیف‌سنجی جرمی تبادل هیدروژن با دوتریوم یا بلورنگاری با وضوح بالا از پروتئین‌های جهش‌یافته در حالت آپو.
توصیفگر انرژی که پس از پالایش ویژگی‌ها باقی ماند، یعنی انرژی برهم‌کنش لنارد–جونز نوع ۱،۴، قدرت برهم‌کنش‌های پاشندگی و دافعه میان اتم‌هایی را توصیف می‌کند که سه پیوند کووالانسی از یکدیگر فاصله دارند. تغییر این کمیت در جفت‌های مشخصی از باقی‌مانده‌ها می‌تواند نشانه بازآرایی‌های ظریف در بسته‌بندی موضعی ساختار باشد؛ تغییراتی که تشخیص آن‌ها با مشاهده چشمی ساختارهای میانگین دشوار است. سازگاری این ویژگی در هر سه جهش‌یافته مقاوم نشان می‌دهد که تغییر در بسته‌بندی واندروالسی در نزدیکی ناحیه سوئیچ II ممکن است پیامد فیزیکی مشترک جایگزینی تیروزین ۹۶ باشد. این تغییر احتمالاً به ازدست‌رفتن حلقه آروماتیک تیروزین و جایگزینی آن با زنجیره‌های جانبی کوچک‌تر یا دارای شکل متفاوت مربوط است؛ زنجیره‌هایی که در مجاورت باقی‌مانده‌های دیگر به شکل متفاوتی بسته‌بندی می‌شوند.
سومین دسته از توصیفگرهای این مجموعه نشانه‌ها، نوسان میانگین مربعات است که میزان تحرک هر باقی‌مانده اسید آمینه را در طول مسیر شبیه‌سازی اندازه‌گیری می‌کند. افزایش یا کاهش نوسان در M72 و H95 در جهش‌یافته‌های مقاوم نشان می‌دهد که انعطاف‌پذیری موضعی در پیرامون سوئیچ II، حتی در غیاب دارو، تغییر می‌کند. این یافته با یکی از اصول گسترده‌تر داروشناسی پروتئین‌های آلوستریک ارتباط دارد: جهش‌هایی که از محل اتصال فاصله دارند، می‌توانند چشم‌انداز پویایی آن را بازآرایی کنند و برعکس، جهش‌های واقع در خود محل اتصال نیز قادرند اثراتشان را از طریق شبکه حرکات جفت‌شده‌ای گسترش دهند که عملکرد پروتئین را شکل می‌دهند. ناحیه سوئیچ II در KRAS از نظر مکانیکی با حلقه P ناحیه اتصال نوکلئوتید و حلقه سوئیچ I که با پروتئین‌های اثرگذار تعامل می‌کند، ارتباط دارد. بنابراین، تغییرات پویایی سوئیچ II می‌توانند بر تعادل ظریف میان حالت‌های ساختاری فعال و غیرفعال اثر بگذارند؛ تعادلی که خروجی پیام‌رسانی سلولی را تعیین می‌کند.
این یافته‌ها را باید در بستر گسترده‌تر پژوهش‌های توسعه داروهای KRAS بررسی کرد. این حوزه از زمانی که KRAS برای سال‌ها هدفی غیرقابل‌مهار با دارو تلقی می‌شد، به‌سرعت پیشرفت کرده و اکنون مجموعه‌ای از داروهای بالینی و نامزدهای در حال توسعه را در بر می‌گیرد که آلل‌های جهش‌یافته و حالت‌های ساختاری مختلف این پروتئین را هدف قرار می‌دهند. مهارکننده‌های شکل فعال متصل به GTP و داروهای تخریب‌کننده مبتنی بر کایمراهای هدف‌گیرنده پروتئولیز، راهبردهای مکملی هستند که ممکن است کمتر تحت تأثیر جهش‌های مقاوم در ناحیه سوئیچ II قرار گیرند. بااین‌حال، واقعیت بالینی این است که بیماران تحت درمان با سوتوراسیب یا آداگراسیب ممکن است دچار مقاومت شوند و جهش‌های ثانویه‌ای که پدیدار می‌شوند، از جمله Y96D که از جهش‌های ثانویه پرتکرار گزارش‌شده است، تعیین می‌کنند کدام درمان‌های بعدی امکان‌پذیر خواهند بود. چارچوبی که بتواند پیش از طراحی دارو برای یک جهش‌یافته مشخص، نشانه‌های ساختاری ذاتی مقاومت را شناسایی کند، ممکن است زمان توسعه مهارکننده‌های نسل دوم را کاهش دهد.
ماهیت اثبات مفهوم این پژوهش باید در کنار محدودیت‌های آن در نظر گرفته شود. مطالعه، تعداد محدودی از سامانه‌های جهش‌یافته را بررسی کرده است که همگی زمینه جهشی G12C را دارند و جایگزینی‌های آن‌ها در موقعیت تیروزین ۹۶ رخ داده است. هنوز مشخص نیست که آیا نشانه‌های شناسایی‌شده به جهش‌های مقاوم در موقعیت‌های دیگر، مانند G13D، R68M، A59S یا Q99L، یا به مقاومت در زمینه‌های جهشی غیر از G12C نیز قابل تعمیم هستند یا خیر. نویسندگان خود تأکید می‌کنند که پاسخ به این پرسش به اعتبارسنجی در سامانه‌های جهش‌یافته دیگری نیاز دارد که از نظر ساختاری مستقل باشند. افزون بر این، هرچند طراحی مبتنی بر حالت آپو از نظر روش‌شناختی مزایای روشنی دارد، نتایج آن درباره ویژگی‌های مرتبط با مقاومت هستند، نه جزئیات سازوکاری شکست یک مهارکننده مشخص در برابر یک جهش‌یافته معین. برای روشن‌شدن این ارتباط، به شبیه‌سازی‌های جفت‌شده از حالت‌های متصل و بدون لیگاند نیاز است که ترجیحاً با داده‌های ساختاری تجربی نیز تکمیل شوند.
با وجود این محدودیت‌ها، همگرایی اهمیت ویژگی‌ها در یادگیری ماشین با آزمون‌های آماری مبتنی بر خوشه‌بندی، الگویی ارائه می‌کند که کاربرد آن به KRAS محدود نیست. درمان‌های هدفمند سرطان در خانواده‌های پروتئینی متعدد با مقاومت ناشی از جهش روبه‌رو هستند و فضای ترکیبی جهش‌های ثانویه احتمالی آن‌قدر گسترده است که نمی‌توان همه آن‌ها را به‌طور جامع با آزمایش بررسی کرد. رویکردی که جهش‌یافته‌های نامزد را در حالت آپو شبیه‌سازی کند، توصیفگرهای دارای تفسیر فیزیکی را استخراج کند و با اعتبارسنجی دقیق به شناسایی نشانه‌های مشترک بپردازد، می‌تواند به اولویت‌بندی جهش‌هایی کمک کند که باید زودتر در آزمایش‌های تجربی بررسی شوند. همچنین، این روش می‌تواند مشخص کند که مهارکننده‌های نسل بعد باید کدام ویژگی‌های ساختاری را در نظر بگیرند. از این منظر، پژوهش حاضر علاوه بر ارائه فرضیه‌هایی مشخص درباره نقش باقی‌مانده‌های اسیدهای آمینه در مقاومت KRAS، الگویی روش‌شناختی برای بررسی فنوتیپ‌های مقاومت با تکیه بر پویایی پروتئین و یادگیری ماشین تفسیرپذیر فراهم می‌کند.
موضوع پژوهش: مقاومت دارویی KRAS
عنوان مقاله پژوهشی: تلفیق دینامیک مولکولی و یادگیری ماشین برای شناسایی نشانه‌های بالقوه ساختاری و میزان مواجهه با حلال در حالت آپو، مرتبط با جهش‌یافته‌های مقاوم KRAS
منبع علمی: Mizgalska, K., Urbaniak, K., Imbody, D. J., Haura, E. B., Guida, W. C., Branciamore, S., & Karolak, A. (2026). Integrating molecular dynamics and machine learning to identify potential apo-state conformational and solvent-exposure signatures associated with resistant KRAS mutants. Frontiers in Chemical Biology, 5, مقاله 1900407. https://doi.org/10.3389/fchbi.2026.1900407
اعتبار تصویر: تولیدشده با هوش مصنوعی
شناسه دیجیتال مقاله (DOI): 10.3389/fchbi.2026.1900407
منبع خبر: ترزا اودوم، ۱۷ اکتبر ۲۰۲۶، «یادگیری ماشین، الگوهای پنهان تغییرات ساختاری در جهش‌یافته‌های مقاوم KRAS را آشکار می‌کند»، Scienmag.