تعتبر عملية تحسين البروتينات من الأهداف العريقة في علوم الحياة، حيث يسعى الباحثون دائمًا إلى تحسين الخصائص الوظيفية للبروتينات. ولعقود طويلة، كانت الأساليب المعتمدة على التعلم الآلي (Machine Learning) في التطور الموجه للبروتينات (Directed Evolution) تركز بشكل أساسي على الميزات المرتبطة بالتسلسل الجيني فقط، متجاهلةً القيود المكانية الحاسمة والتفاعلات التطورية المتقاربة التي تتضمنها هياكل البروتينات.

وفي خطوة مبتكرة، تم إطلاق StructEvo، الإطار الجديد القائم على التعلم المعزز الذي يأخذ بعين الاعتبار البنية (Structure-aware Reinforcement Learning)، والذي يعد بمثابة تحول حقيقي في تعزيز بروتينات أكثر فاعلية. يستخدم StructEvo مشفرًا خاصًا يُدعى "delta-structure fusion encoder"، والذي يتمكن من تقريبو ميزات الهياكل المتحورة باستخدام اختلافات الميزات، مما يسمح بدمج المعرفة المكانية بشكل ديناميكي.

تقوم الطريقة بتقسيم مساحة الطفرات الواسعة إلى أقسام قابلة للإدارة عبر شبكة إجراءات هرمية متوافقة مع البنية، مما يساعد على استقرار تعلم الميزات. وبفضل هذه الابتكارات، تمكن فريق البحث من تحقيق تحسين يصل إلى 9.2% و16.3% مقارنة بالطرق المعتمدة سابقًا على مقياسين صعبين في مجال التحسين.

الأهم من ذلك، تمكن الفريق أيضًا من اكتشاف نمط تعايش تجريبي في GFP، مما يسلط الضوء على أهمية التوجيه الهيكلي في تحقيق تطور فعال للبروتينات. إن هذه النتائج تبشر بأن المستقبل في مجال تحسين البروتينات سيكون مشوقًا، حيث يتوقع الباحثون أن تساعد هذه التقنية في تطوير تطبيقات بيولوجية جديدة.