في عالم علم البيولوجيا الحسابية، تبرز نماذج التشفير التلقائي المتغير (Variational Autoencoders - VAEs) كأداة قوية لتحليل التسلسلات البيولوجية. هذه النماذج ليست فقط قادرة على التنبؤ بتأثير المتغيرات الجينية والأحماض النووية، بل يمكنها أيضاً تصميم وظائف RNA جديدة.

ومع ذلك، كانت النماذج التقليدية تتعامل مع جميع التسلسلات على أنها متكافئة، متجاهلة الهيكل التطوري الغني الذي ينظم التسلسلات من المتشابهة تطورياً إلى المتباينة. هنا يأتي دور استراتيجية تعلم المنهج الدراسي التطوري (Evolutionary Curriculum Learning - ECL) التي تقترح معالجة هذه المشكلة.

تعمل ECL على تعريض النموذج بشكل تدريجي لتسلسلات ذات مسافات تطورية مختلفة، مما يعزز من فهم النموذج ويعزز من دقته. تم اختبار هذه الاستراتيجية على نماذج VAE مختلقة وعلى مجالات بيولوجية متعددة، مثل التنبؤ بتأثير المتغيرات البروتينية باستخدام EVE، وتوليد تسلسلات عائلات RNA باستخدام RfamGen.

أظهرت النتائج تحسناً ملحوظاً في الأداء، حيث ارتفع مقياس التصنيف في قاعدة بيانات ClinVar من 0.981 إلى 0.989 لجين p53. أما للجين PTEN، فقد سجلت ECL أعلى درجة 1.000 في كل التجارب، بينما كانت النتائج السابقة غير مستقرة.

التحليلات التجريبية أظهرت أن توسيع نطاق التسلسلات بناءً على المسافة التطورية يتفوق على أساليب العينة الثابتة والتوزيع العشوائي.

هذا الاكتشاف يرمز إلى إمكانية استخدام المسافة التطورية كأداة أساسية لضبط منهجيات التدريب في نمذجة التسلسلات البيولوجية، مما قد يؤدي إلى خطوات كبيرة في مجالات البحث والتطبيقات الطبية.

فما رأيكم في هذه التطورات المذهلة في علم البيولوجيا الحسابية؟ شاركونا آراءكم في التعليقات!