شبكة عصبية لا تكتفي بالتنبؤ، بل تحفظ أسرار البروتينات سريع
مكتبة ضخمة، كل كتاب فيها تعليمات دقيقة لتجميع جزيء بروتين واحد. قرأت الشبكة العصبية AlphaFold2 ملايين من هذه الكتب وتعلمت أن تُخرج فوراً نموذجاً ثلاثي الأبعاد جاهزاً. لكن داخل هذه الشبكة، في «دماغها»، بقي شيء أكبر — ليس مجرد قواعد التجميع، بل أطلس كامل للحركات الممكنة للبروتين، حياته الخفية.
ابتكر الباحثون طريقة للاطلاع على هذا الأطلس. أخذوا موترات الأوزان (مصفوفات الأرقام التي تخزن معارف الشبكة) لوحدة Evoformer — الجزء الأساسي من AlphaFold2 — وطبّقوا عليها التفافاً مع تمييع غاوسي. ببساطة، عمدوا إلى «إزالة تركيز» رؤية الشبكة قليلاً، ليروا ليس صورة واضحة واحدة، بل مروحة كاملة من الاحتمالات. أُطلق على هذه الطريقة اسم «التحليل الطيفي العصبي».
كانت النتيجة مذهلة. بالنسبة لبروتين اليوبيكويتين، أظهر هذا «الاضطراب» أن أجزاءه تنفصل بالترتيب نفسه الذي اكتشفته التجارب المخبرية على مدى عقود في دراسة الالتفاف.
أما بالنسبة لبروتين KaiB، الذي يمكن أن يتخذ شكلين مختلفين تماماً، فقد أجمعت جميع النسخ الخمس المستقلة التدريب من الشبكة على أمر واحد: الشكل الثاني لا يمكن الوصول إليه عبر هذا الاضطراب. وبالنسبة لألفا-سينوكلين، المرتبط بمرض باركنسون، أعطت النسخ الخمس خمس خرائط مختلفة، لكنها متسقة داخلياً. أشار ذلك إلى المواضع التي أعطت فيها بيانات التدريب إشارة واضحة، والمواضع التي بقيت فيها الشبكة في جهل. أما الفحص الضابط — إدخال ضوضاء عشوائية بنفس القوة — فلم يُنتج سوى هراء بلا شكل، وليس حركات ذات معنى. وتبين أن معلمات الشبكة البالغ عددها 93 مليوناً ليست مجرد آلية، بل بصمة متجمدة للواقع الفيزيائي للبروتينات.
الملخص الأصلي
كما كتبه المؤلفون، بالإنجليزية arXiv:2607.16087
AlphaFold2's 93 million parameters, shaped by the evolutionary record of protein structure encoded in the Protein Data Bank and in sequence alignments, are conventionally treated only as machinery for converting sequence to structure. We propose they are also a scientific object that can be analyzed directly: a learned encoding of protein conformational organization that can be probed and characterized. By smoothing the Evoformer's weight tensors with a Gaussian convolution and scaling the result, we show that the trained model produces physically structured conformational landscapes. Under perturbation, ubiquitin's native contacts break in the order established by decades of folding experiments. For KaiB, five independently trained models agree that the alternative fold is not recovered under perturbation. For alpha-synuclein, five models produce five different but coherent landscapes, mapping where the training signal has determined the representation and where it has not. Matched-power noise controls confirm that random corruption of equal magnitude produces debris, not conformations. The model learned to predict static structures; the conformational organization visible under perturbation was not an explicit training target, suggesting it emerged as a byproduct of that objective. AlphaFold2's weights appear to encode structural constraints, shaped by evolutionary and structural training data, that extend beyond what unperturbed inference reveals. We call the approach of reading them neural spectroscopy, and Scaled Gaussian Convolution one such protocol.
بروتين اليوبيكويتين، الذي سُمي بهذا الاسم لانتشاره الواسع (من الإنجليزية ubiquitous أي «موجود في كل مكان»)، يتكون من 76 حمضاً أمينياً فقط، لكن مسار التفافه ظل موضع دراسة لعقود — وأعادت الشبكة العصبية إنتاجه بمجرد «تفكيرها» في الشكل الثابت.
يذكرنا هذا بفكرة من «الحديقة الجوراسية»، حيث استخرج العلماء حمضاً نووياً للديناصورات من الكهرمان — لكن هنا، من شبكة عصبية «متجمدة» تُستخرج الديناميكا الخفية للجزيئات.