مقالة مراجعة

التحليلات متعددة الأوميكس والتحليلات التكاملية في اكتشاف المنتجات الطبيعية

1.4K مشاهدات

⸱

DOI:

10.3791/69458

⸱

نوفمبر 28, 2025

 ,  ,  ,  ,  ,  , 
1Department of Oncology, Deyang People's Hospital of Chengdu University of Traditional Chinese Medicine, 2Laboratory of Translational Medicine Research, Deyang People's Hospital of Chengdu University of Traditional Chinese Medicine, 3School of Medical Sciences, University Sains Malaysia, 4Inflammation & Allergic Diseases Research Unit, The Affiliated Hospital of Southwest Medical University

في هذه المقالة

ملخص

تركز هذه المراجعة على أحدث منهجيات متعددة الأوميكس، بما في ذلك علم الأيض، الجينوميات، النسخ، والبروتيومكس، والتي تتكاملها مع الذكاء الاصطناعي وتعلم الآلة، بالإضافة إلى تحليل الشبكات، لتعزيز اكتشاف والتحقق الوظيفي من المنتجات الطبيعية الجديدة.

الملخص

لطالما كانت المنتجات الطبيعية (NPs) مصدرا أساسيا للمركبات النشطة الحيوية الجديدة لاكتشاف الأدوية؛ ومع ذلك، فإن الطرق التقليدية لفحص وعزل هذه المركبات قد تكون بطيئة وغالبا ما تعطي عوائد متناقصة. لحسن الحظ، تقدم الأساليب متعددة الأوميكس المتقدمة والأساليب الحاسوبية حلولا قوية لهذه التحديات. تسلط هذه المراجعة الضوء على منهجيات مبتكرة تدمج الأيض، الجينوميات، علم النسخ، والبروتيوميات مع المعلوماتية الحيوية والكيمياء التحليلية لتسريع اكتشاف ال NP. على سبيل المثال، تتيح منصات الأيض غير المستهدفة مثل الكروماتوغرافيا السائلة عالية الدقة - مطيافية الكتلة المتتالية (LC-MS/MS) وشبكات الجزيئات Global Natural Products Social (GNPS) بتحليل شامل للمركبات الجديدة، بينما تعزز استراتيجيات وضع العلامات النظيرية المستهدفة هذه العملية. بالإضافة إلى ذلك، تحدد أدوات تعدين الجينوم والميتاجينوم مثل المضادات الحيوية وقشرة تحليل المستقلبات الثانوية (antiSMASH)، وتجمع الجينات الحيوي العميق (DeepBGC)، وخط أنابيب إعادة بناء التخليق المتكامل للمستقلبات (PRISM) بسرعة تجمعات جينات التخليق الحيوي (BGCs) في الكائنات المخروعة وغير المزروعة، وغالبا ما تستخدم التعبير غير المتجانس للتحقق من صحة المنتجات. تساعد التحليلات النصية، بما في ذلك تسلسل الحمض النووي الريبي (RNA-seq)، وشبكات التعبير المشترك، والفلوكوسيمات، في توضيح كيفية تنظيم المسارات، بينما تكشف تقنيات البروتيوميات الكمية مثل علامات الكتلة المتتالية/العلامات المتساوية الضغط للكمية النسبية والمطلقة (TMT/iTRAQ) والطرق الخالية من العلامات، إلى جانب أساليب الكيموبروتيولوجيا مثل اختبار التحول الحراري الخلوي وتحليل البروتيوم الحراري (TPP)، عن الأهداف الجزيئية وآليات عملها. تضع هذه المراجعة أيضا تركيزا كبيرا على دور الذكاء الاصطناعي (الذكاء الاصطناعي) وتعلم الآلة (ML) في دمج بيانات الوسائط المتعددة، وتشمل الأنشطة من بناء شبكات الارتباط بين الجينات والمستقلبات إلى الاستفادة من الرسوم البيانية المعرفية والشبكات العصبية البيانية لدمج البيانات والتنبؤ الوظيفي. وأخيرا، تختتم هذه المراجعة بمناقشة الفوائد التآزرية للأنظمة متعددة الوسائط لاكتشاف المنتجات الطبيعية، ومعالجة التحديات التقنية الحالية، واستكشاف اتجاهات مستقبلية نحو تكامل بيانات ذكي وعالي الإنتاجية لأبحاث الجيل القادم من المنتجات الطبيعية.

المقدمة

المنتجات الطبيعية، وهي جزيئات تنتجها كائنات مختلفة، بما في ذلك الميكروبات والنباتات، لطالما كانت مصدرا حيويا للأدوية، بدءا من المضادات الحيوية مثل البنسلين إلى أدوية مضادة للسرطان مثل تاكسول. جزء كبير من المضادات الحيوية وعوامل العلاج الكيميائي الحالية لدينا مشتق من هذه المركبات الطبيعية1. ومع ذلك، أصبحت الطرق التقليدية المستخدمة لاكتشاف كائنات غير طبيعية جديدة، مثل زراعة الميكروبات واستخدام العزل الموجه بالاختبارات البيولوجية، أكثر صعوبة. في أواخر القرن العشرين، تراجع اهتمام الأدوية بالمنتجات غير الضرورية مع تراجع العوائد في الشركات؛ العديد من المركبات التي كان من السهل العثور عليها قد أعيد اكتشافها بالفعل، والتحديات التقنية المرتبطة بفحص وتوصيف هذه المركبات جعلت العملية تتطلب جهدا كبيرا. لحسن الحظ، هذا الاتجاه ينعكس الآن. التطورات الحديثة في الأوميكس والتقنيات التحليلية تعيد إحياء البحث عن NPs 2,3. على سبيل المثال، يمكن تسلسل الحمض النووي عالي الإنتاجية الباحثين من استكشاف الجينومات لمجموعات جينات تخليقية حيوية مخفية (BGCs)، بينما يمكن لمطياف الكتلة فائقة الحساسية (MS) تحديد كميات صغيرة جدا من المستقلبات الجديدة داخل الخلطات المعقدة. تأتي هذه الابتكارات التكنولوجية في وقت حاسم، حيث هناك طلب عالمي ملح على العلاجات الجديدة، لا سيما المضادات الحيوية التي يمكنها مكافحة البكتيريا المقاومةللأدوية. تتقدم الأبحاث الحديثة في الممارسين الممارسين لمواجهة هذا التحدي من خلال دمج الخبرة التقليدية في الممارسين مع أحدث تقنيات التحليل الجينومي والكيميائي.

يعد دمج المتعددة الأوميكس جوهريا في التطورات الحالية في البحث البيولوجي. مفهوم "الميكروميكس المتعددة" يتضمن التحليل المتزامن لطبقات البيانات البيولوجية المختلفة، مثل الحمض النووي (الجينوم)، ونصوص mRNA، والبروتينات، والمستقلبات. لقد غير تطبيق أساليب الأوميكس أبحاث المعالجين المتخصصين الطبيعيين، حيث أتاح الفحص عالي الإنتاجية، والتعرف السريع على المركبات الجديدة، والاستكشاف العميق للشبكات المعقدة التيتشكل الأنظمة البيولوجية. من خلال دمج هذه المجموعات متعددة الطبقات، يمكن للباحثين ربط الجينات مباشرة بالمستقلبات التي تشفرها، مما يبني فهما أكثر شمولا لتخليق NPsالحيوي 6. على سبيل المثال، يمكن لخوارزميات تعدين الجينوم تحديد مجموعة من الجينات التي قد ترمز لمضاد حيوي جديد، بينما يمكن لبيانات النسخ النصي أن تشير إلى ما إذا كانت تلك الجينات معبر عنها بنشاط. بالإضافة إلى ذلك، يمكن للتحليل الأيضي تحديد جزيء المضاد الحيوي المقابل في مستخلص الزراعة 7,8,9. هذا النهج المتكامل يسرع بشكل كبير من اكتشاف المركبات الجديدة وفهم مساراتها البيولوجية الاصطناعية. والأهم من ذلك، أن تحديد أهداف الأدوية يعتمد بشكل متزايد على أساليب متعددة الأوميكس المتكاملة، والتي تدريجيا تحل محل استراتيجيات الأوميكس الفردية التقليدية10. تسمح التطورات الحديثة في الكيمياء التحليلية، بما في ذلك الكروماتوغرافيا السائلة عالية الدقة - MS (LC-MS) والرنين المغناطيسي النووي (NMR)، للباحثين باكتشاف وتحليل NPs جديدة من عينات بيولوجية معقدة11,12. تنتج هذه التقنيات كميات هائلة من البيانات، وهنا تصبح المعلوماتية الحيوية وتعلم الآلة (ML) ضرورية. تستخدم خوارزميات الذكاء الاصطناعي (الذكاء الاصطناعي) والتحليلات الشبكية بشكل متزايد لتحليل بيانات الوسائط المتعددة، مما يكشف عن أنماط وتوقعات مهمة يصعب تمييزها يدويا13,14. من خلال دمج تقنيات الأوميكس المتقدمة مع التنقيب الذكاء الاصطناعي للبيانات، يمكن للباحثين الآن إنشاء خط أنابيب قوي لاكتشاف وتحليل NPs بشكل أسرع وأكثر منهجية من أي وقت مضى.

بينما ساهمت استراتيجيات الوسائط المتعددة في اكتشاف NPs بشكل كبير، فإن تنفيذها الناجح يعتمد بشكل كبير على التخطيط التجريبي الدقيق. على سبيل المثال، نوع وجودة العينات أمران حاسمان؛ من الضروري جمع المزارع الميكروبية المحفوظة جيدا، أو العازلات البيئية، أو المواد السريرية في ظروف تقلل من تحلل الأحماض النووية والمستقلبات15. يلعب عمق التسلسل أيضا دورا حيويا في حل البيانات: يتطلب تسلسل الجينوم الكامل عادة تغطية لا تقل عن 30× للتجميع الدقيق، بينما يتطلب التحليل النصي عشرات الملايين من القراءات لتحديد النصوص منخفضة الوفرة، كما أوصى بها Genohub16. بالإضافة إلى ذلك، في علم الأيض، هناك حاجة إلى مذيبات وطرق استخراج مناسبة لالتقاط فئات كيميائية متنوعة؛ يجب اختيار بروتوكولات استخراج بوعي تقلل من التحيز وتعظيم قابلية التكرار17. ومع ذلك، تأتي هذه المنهجيات مع تحدياتها الخاصة. يمكن أن يكون دمج مجموعات البيانات الكبيرة وغير المتجانسة مكثفا حسابيا، كما أن عدم الاستقرار أو قلة النواتج يمكن أن يعقد التحليلات اللاحقة18. علاوة على ذلك، قد تقيد التكاليف العالية أو حجم العينات المحدود تصميم الدراسات19. التلوث والتحيز في بيانات التسلسل، خصوصا في العينات منخفضة الإدخال أو المخففة، يشكلان أيضا مخاطر كبيرة، كما أشار Lusk وآخرون إلى التلوث في تسلسل التسلسل عالي الإنتاجية20. من خلال التعرف على هذه القيود العملية والتقنية، يمكن للباحثين اتخاذ قرارات مستنيرة بشأن تركيبات متعددة الأوميكس المناسبة وتفسير نتائجها بحذر لازم.

تسلط هذه المراجعة الضوء على الطرق المبتكرة التي تحدث ثورة في اكتشاف الممرضين الممارسين من خلال استخدام الأنظمة متعددة الأوميكس والتحليلات التكاملية. كما يستكشف الأهمية المتزايدة للتعلم الآلي الذكاء الاصطناعي في ربط هذه التدفقات البيانية المختلفة، بما في ذلك بناء شبكات الارتباط بين الجينات والمستقلبات وتحديد تجمعات جينية من المرجح أن تنتج مركبات حيوية نشطة جديدة. بالإضافة إلى ذلك، يفحص أهمية وإمكانات المستقبل لهذا النهج المتكامل. في الختام، فإن الجمع بين تقنيات الأوميكس المختلفة والتحليلات المتقدمة لا يسرع فقط من اكتشاف الممرضين الممارسين الجدد اليوم، بل يمهد الطريق أيضا لتطوير أدوية الجيل القادم التي يحتاجها المجتمع بشكل عاجل.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

مراجعة ومنظور

لإعداد هذه المراجعة، أجرينا بحثا شاملا في الأدبيات عبر عدة قواعد بيانات ومنصات فهرسة، بما في ذلك PubMed، Scopus، Web of Science، ScienceDirect، وGoogle Scholar. شمل البحث المنشورات من يناير 2015 حتى يوليو 2025. شملت الكلمات المفتاحية والتركيبات البوليانية: "اكتشاف المنتجات الطبيعية"، "الأوميكس"، "علم الأيض"، "علم الجينوم"، "النسخ"، "البروتيومكس"، "تعلم الآلة"، "الذكاء الاصطناعي"، "تجمعات الجينات الحيوية"، و"دمج الأوميكس المتعدد". كما تم فحص قوائم المراجع للمقالات الرئيسية والمراجعات الحديثة لتحديد منشورات إضافية ذات صلة. بالإضافة إلى الدراسات المحكمة المحكمة، تم استشارة عدد محدود من المقالات المسبقة من منصات مثل bioRxiv وmedRxiv عندما قدمت رؤى مناسبة ومناسبة لم تتوفر بعد في الأدبيات المنشورة. جميع النسخ المسبقة تحمل علامات واضحة للحفاظ على الشفافية. يستعرض هذا القسم أحدث التطورات والتوقعات المستقبلية في المجالات الرئيسية لاكتشاف الممارسين الممارسين المعتمدين على الأوميكس، مع التركيز بشكل خاص على الأيض، الجينوميات، النسخ، والبروتيوميات. وكذلك دمجها عبر الذكاء الاصطناعي/تعلم الآلة. الأدوات والموارد الأساسية التي نوقشت عبر هذه المجالات مجمعة للرجوع إليها في الجدول 1.

1. الأيض في اكتشاف NPs

  1. منصات تحليلية لعلم الأيض
    يعد علم الأيض أمرا بالغ الأهمية لاكتشاف المضادات الطبيعية لأنه يسمح بتحليل دقيق للجزيئات الصغيرة التي تولدها الكائنات المختلفة. تشمل الأدوات التحليلية الأساسية المستخدمة لتوصيف مستقلبات النورافيل النارية تقنيات التصلب المتعدد عالية الدقة، مثل LC-MS/MS وكروماتوغرافيا الغاز-MS (GC-MS)، إلى جانب مطيافية الرنين المغناطيسي النووي21,22. تمكن سير العمل غير المستهدفة في LC-MS/MS، مثل LC-MS فائق الأداء مع MS/MS، من تحديد مجموعة واسعة من المستقلبات في الخلطات المعقدة، بينما يتفوق GC-MS في تحليل المركبات المتطايرة. بالإضافة إلى ذلك، تعزز طرق جديدة مثل التصلب المتعدد بالتسريب المباشر وتصوير التصلب المتعدد مجموعة أدوات الأيض للمرضىالممرضين 23,24. تقنيات مطيافية الكتلة المتقدمة، بما في ذلك التصلب المتعدد الوسائط الذي يجمع بين أوضاع الأيونات الموجبة والسالبة أو يستخدم تجزئة MSn متعدد المراحل، والطرق المجمعة مثل LC-MS مع الرنين المغناطيسي النووي، تقدم رؤى هيكلية أعمق حول المستقلبات التي يتم اكتشافها25,26.
  2. معالجة البيانات وأدوات الحوسبة
    تلعب الأدوات البرمجية المتخصصة دورا حيويا في معالجة وتفسير بيانات الأيض. تستخدم برامج مثل XCMS وMZmine وOpenMS بشكل شائع لاكتشاف ومحاذاة الميزات الكروماتوغرافية أو القمم، بينما تعد خطوات معالجة البيانات الدقيقة مثل محاذاة القمة، والتطبيع، والتصفية ضرورية لتحقيق ملفات أيضية قابلة لإعادة الإنتاج27. يدعم تحديد المركبات مكتبات MS/MS الطيفية، بما في ذلك NIST وmzCloud، وكذلك في أدوات تجزئة السيليكو مثل SIRIUS وMetFrag28. برزت منصة Global Natural Products Social (GNPS) كمورد رئيسي للشبكات الجزيئية، التي تنظم أطياف MS/MS ذات الصلة لتسليط الضوء على العائلات الكيميائية وتسهيل تفكيك المركبات المعروفة29. على سبيل المثال، نجح تحليل باستخدام GNPS على بيانات LC-MS/MS من مزارع Streptomyces في تحديد المضادات الحيوية المعروفة مثل السبيراميسين والأكتينومايسين، إلى جانب نظائر لم يتم الإبلاغ عنها سابقا30,31. قامت تقنية الشبكات الجزيئية بتجميع الأطياف المجهولة ذات الصلة بشكل فعال، وإضافة شبكات الهوية الأيونية عززت من ترابط الميزات. هذه التحليلات القائمة على الشبكة، عند دمجها مع أدوات إحصائية متعددة المتغيرات مثل تحليل المكونات الرئيسية وتحليل التمييز الجزئي المتعامد للمربعات الأدنى، بالإضافة إلى تحليل شبكات الارتباط، يمكن أن تربط أنماط إنتاج المستقلبات بظروف بيولوجية أو بيئية محددة. في دراسة معينة، أظهرت الشبكات الجزيئية لمستخلصات التخمير من نوع من الستربتومايسيس النباتي ملفات مستقلبات مميزة تختلف حسب وسيط النمو المستخدم. تم اكتشاف مستقلبات معروفة، بما في ذلك السبيرامايسين، والأكتينوميسين، ومركب مسرطن يسمى لينغبياتوكسين؛ ومع ذلك، لم تتطابق العديد من عقد الشبكة مع أي إدخالات في قواعد البيانات الطيفية32. تشير هذه النتيجة إلى وجود مستقلبات جديدة حقا، مما يبرز كيف يمكن للميتابولوميات غير المستهدفة، إلى جانب GNPS، تحديد أميبوليدات جديدة محتملة لمزيد من الاستكشاف.
    يسهل دمج الفحص الأيضي مع الاختبارات الحيوية الوظيفية ترتيب أولويات السلالات أو المستخلصات التي تنتج مركبات نشطة حيويا بسرعة. بالإضافة إلى ذلك، تعد الموارد المجتمعية الناشئة مثل أطلس المنتجات الطبيعية (NPAtlas)، إلى جانب خطوط تحليل المستقلبات والجينوم المتكاملة، أداة أساسية في ربط المستقلبات المكتشفة ببنات الدم الصبغي في الكائنات المصدر33,34. تمكن هذه الاستراتيجية التكاملية الباحثين من ربط إشارات المستقلبات بالبيانات الجينومية، مما يعزز كفاءة تحديد النوايا النارية وتتبع مصدرها.

2. علم الجينوم في اكتشاف NPs

على مدى العقد الماضي، دخلت أبحاث المعالجين المتخصصين الميكروبيين "عصر التعدين العميق" التحولية التي غذتها تقدمات مثل التسلسل عالي الإنتاجية، والتصلب المتعددي عالي الدقة فائق الحساسية، ونهج الميكروبات المتعددية المتكاملة35. لقد حولت هذه الأدوات جهود الاكتشاف من العزلة المصادفة إلى الاستكشاف المستهدف المعتمد على البيانات. تمكن خطوط أنابيب تعدين الجينوم، بما في ذلك antiSMASH 7.0 وDeepBGC، الآن من التعرف المنهجي على ال BGCs الغامضة، خاصة في الأنواع 36,37 التي لم يتم استكشافها بشكل كاف.

  1. تسلسل عالي الإنتاجية والتجميع الهجين
    تقنيات تسلسل الحمض النووي عالي الإنتاجية، مثل تسلسل الحمض النووي عالي القراءة قصيرة القراءة مع منصات التسلسل طويل القراءة، غيرت بشكل كبير دراسة الجينوم للكائنات التي تنتج NPs. من خلال استخدام استراتيجيات التجميع الهجينة التي تدمج القراءات الطويلة والقصيرة معا، يمكن للباحثين تحقيق تجميعات جينومية عالية التجاور، وهي ضرورية لالتقاط مجموعات الجينوم الكاملة داخل جينوم38. بالإضافة إلى ذلك، يوسع تسلسل الميتاجينوم، الذي يشمل استعادة الجينومات المجمعة في الميتاجينوم، نطاق اكتشاف الخلايا الكيميائية الكروية ليشمل ميكروبات غير مزروعة، مما يمكن العلماء من استكشاف الحمض النووي البيئي لإمكاناته البيولوجية الاصطناعية39. في الحالات التي تفشل فيها طرق تجميع الجينوم التقليدية في حل تجمعات جينية كبيرة أو متكررة، يمكن استخدام تقنيات مكتبية، مثل مكتبات الكروموسومات الصناعية للكوزميد أو البكتيريا، لعزل واستنساخ شظايا جينومية كبيرة. يسهل هذا النهج توصيف مجموعات الجينات الكاملة من خلال التسلسل المستهدف أو التعبير غير المتجانس، مما يعزز فهمنا للأساس الجيني لتخليق الجينات40,41.
  2. أدوات تعدين الجينوم
    تعد الأدوات المعلوماتية الحيوية المتخصصة ضرورية لتحليل البيانات الجينومية لتحديد التواقيع المميزة لمسارات الأيض الثانوية. تلعب برامج مثل antiSMASH وPRISM وDeepBGC دورا حيويا في هذه العملية من خلال اكتشاف المرشحين تلقائيا. يفعلون ذلك من خلال التعرف على مجالات تخليقية حيوية محددة، مثل تلك المرتبطة بصناعات الببتيدات غير الريبوسومية، وسينثازات البوليكيتيد، ومسارات الببتيدات المركبة والمعدل بعد الترجمة (RiPP)، وسايكلاز التربين، وغيرها. للمساعدة في التفكيك، تساعد قواعد بيانات مثل MIBiG، التي تجمع الخلايا الجلدية المعروفة ومنتجاتها، وNPAtlas، التي تسجل العينات المعروفة، الباحثين في مطابقة التسلسلات أو المركبات الجديدة مع الأمثلة المعروفة 37,42,43. تنظم خوارزميات التجميع، مثل BiG-SCAPE، إلى جانب أدوات مثل CORASON، المجموعات المثلية ذات الصلة في عائلات، مما يوفر رؤية شبكية للتنوع التخليقي الحيوي ويسهل تحديد عائلات التجمعات الجديدة من خلال المقارنات مع العائلات المعروفة44. يمكن للتحليلات المعلوماتية الحيوية الإضافية، بما في ذلك عمليات البحث في BLAST ومسح نماذج ماركوف المخفية، أن تتنبأ بالوظائف المحتملة للإنزيمات المشفرة داخل BGC، بينما تساعد الأساليب الجينومية المقارنة، مثل تحليل التوافقيات وتطور الجينات المشترك، في تحسين هذه التنبؤات الوظيفية45. علاوة على ذلك، تتيح البيانات الجينومية تدوين العناصر التنظيمية المرتبطة بتخليق الحمض النووي الحيوي، بما في ذلك المحفزات الخاصة بالمسار ومنظمات النسخ46. توفر هذه الرؤى أساسا لهندسة المسارات؛ على سبيل المثال، تمكن تقنيات البيولوجيا التركيبية مثل الاستنساخ المرتبط بالتحول وإعادة دمج Red/ET الباحثين من التقاط والتعبير عن الخلايا الصبغية الصامتة أو الغامضة في كائن مضيف غير متجانس، مما ينشط إنتاج مستقلباتها47.
    وقد أدت جهود استخراج الجينوم بنجاح إلى اكتشاف كائنات NP جديدة من خلال التركيز على إشارات جينية محددة. على سبيل المثال، كشف بحث منهجي عن جينات مرتبطة بمقاومة المضادات الحيوية للجليكوببتيد عن عدة أنواع غير معتادة من الخلايا الصبغية المتوقعة لترميز مضادات حيوية جديدة. أسفرت هذه الطريقة عن تحديد مركبين جديدين، الكومبستاتين والكوبراميسين، وكلاهما يظهر آليات عمل فريدة من نوعها من خلال استهداف الأوتوليزين البكتيري48. وبنفس السياق، أسفر استكشاف الميكروبيوم البشري لمحتوى جينات التخليق الحيوي عن مرشح لمضاد حيوي ليبوببتيد يعرف باسم "الهوميسين"، المعروف بفعاليته المحتملة ضد المكورات العنقودية والمكورات العقدية من النوع 49. في هذه الحالات، تم تحديد المركبات في البداية من خلال طرق حسابية، حيث تم التنبؤ بهياكلها الكيميائية بناء على البيانات الجينومية. لاحقا، تم تصنيع هذه الجزيئات المتوقعة كيميائيا وأظهرت الأنشطة المتوقعة للمضادات الحيوية، مما أكد استراتيجية الاكتشاف القائمة على الجينوم. على نطاق أوسع، يكشف التسلسل واسع النطاق لأنواع مختلفة من البكتيريا، بما في ذلك العديد من الأكتينوميسيتات النادرة، عن ثروة من تجمعات جينات BGCs "الغامضة" التي لا تزال منتجاتها مجهولة. على سبيل المثال، كشفت التحقيقات في جينومات Streptomyces عن آلاف من الخلايا الصبغية غير المشخصة50. نهج ناشئ لربط هذه المجموعات اليتيمة بالمستقلبات الفعلية يتضمن دمج التحليلات الأيضية مع المسوحات الجينومية. من خلال ربط وجود أو تعبير عنقود جيني مع اكتشاف خصائص مستقلبات فريدة عبر منصات مثل GNPS أو قواعد بيانات الطيف الكتلي، يمكن للباحثين البدء في تعيين منتجات كيميائية مبدئية للعديد من ال BGCs الجديدة، مما يسهل اكتشاف NPs جديدة حقا من بيانات الجينوم.

3. علم النسخ في اكتشاف المنتجات الطبيعية

تقدم التحليلات الترانسكريبتومية منظورا ديناميكيا لنشاط الخلايا البنية من خلال قياس تعبير mRNA تحت ظروف مختلفة. على وجه التحديد، يمكن لتجارب تسلسل الحمض النووي الريبي أن تكشف أي الخلايا الصبغية الصبغية يتم نسخها بنشاط وكيف تتغير مستويات تعبيرها استجابة للتغيرات البيئية أو التجريبية. من خلال مقارنة مستويات النسخ عبر ظروف مختلفة، يمكن لتحليل التعبير التفاضلي، باستخدام أدوات مثل DESeq2 أو edgeR، تحديد الخلايا البذرية الصبغية التي يتم تنظيمها أو تخفيض تنظيمها، مما يبرز مجموعات جينية قد تكون قابلة للتحفيز أو تبقى صامتة تحت الظروف القياسية51. على الرغم من أن تسلسل الحمض النووي الريبي التقليدي الذي يجرى على الخلايا المزروعة بالكتلة هو النهج الشائع للتحقيق في تعبير BGC، إلا أن تقنيات أكثر تقدما مثل RNA-seq أحادي الخلية بدأت تستخدم في الميكروبيومات المعقدة. يسمح هذا التحول بملاحظة التعبير الجيني في الكائنات البيئية التي يصعب زراعتها52,53. عادة ما يتضمن سير عمل RNA-seq القياسي تعيين القراءات إلى جينوم مرجعي باستخدام تقويمات مثل STAR أو HISAT2، وقياس تعبير الجينات باستخدام أدوات مثل featureCounts أو Kallisto، وتطبيع البيانات لتحديد التغيرات الكبيرة في التعبير. بعد ذلك، يمكن لتحليل شبكات التعبير المشترك، الذي يجرى غالبا باستخدام حزمة WGCNA، أن يجمع جينات تظهر أنماط تعبير متشابهة. عندما تتوفر بيانات المستقلبات أيضا، يمكن توسيع هذه الشبكات لتشمل المستقلبات، مما يربط المركبات المحددة بالجينات المعبر عنها54.

أثبتت بيانات النسخ النصي قيمتها في تحديد المسارات البيولوجية النشطة بشكل مشروط. مثال بارز على هذا النهج يوجد في مقارنة مفصلة بين أربعة سلالات سالينيسبورا51. في هذه الدراسة، تبين أن أكثر من نصف الخلايا البسكيرية في كل سلالة تم التعبير عنها بدرجة ما، مع العديد من العناقيد غير النشطة في سلالة واحدة تظهر تعبيرا في سلالة أخرى. من خلال تحليل ملفات التعبير الجيني عبر هذه السلالات، تمكن الباحثون من تحديد عدة عوامل تنظيمية بدت وكأنها إما تسكت أو تنشط مجموعات محددة. أدى هذا الأسلوب التكاملي إلى تحديد عائلة غير معروفة سابقا من الملحيات النارية، تعرف باسم السالينيبوستينز. أشارت بيانات النسخ إلى وجود تجمع جيني غامض كمصدر محتمل لمركب غير معروف؛ عندما تم تحفيز هذا التجمع على التعبير (من خلال التغيرات التنظيمية)، أدى ذلك إلى إنتاج جزيئات سالينيبوستين، والتي تم عزلها وتوصيفها بنيويا لاحقا. توضح هذه الدراسة كيف يمكن لعلم النسخ المكتوب أن يسهل اكتشاف الجينات المتقدمة: من خلال تحليل التعبير الجيني التفاضلي، يمكن للباحثين إبراز الخلايا النسبية المرشحة، ويوفر الارتباط بين التعبير الجيني وملفات المستقلبات أدلة داعمة على العلاقات بين الجينات والمستقلبات يمكن التحقق منها من خلال تجارب مستهدفة.

4. علم البروتيوميات في اكتشاف NPs

  1. الأساليب باستخدام البندقية الشوتغن والبروتيومكس المستهدفة
    البروتيومكس، الذي يتضمن دراسة واسعة النطاق للبروتينات، يوفر منظورا حيويا في أبحاث الNPs من خلال قياس الإنزيمات والبروتينات التي تلعب أدوارا في المسارات التخليقية الحيوية. بشكل عام، يمكن تصنيف الأساليب البروتيومية إلى نوعين رئيسيين: البروتيوميات غير المستهدفة (البندقية) والبروتيوميات المستهدفة. في البروتيوميات ذات البندقية، تخضع البروتينات المستخرجة من عينات ميكروبية أو نباتية لهضم إنزيمي، عادة باستخدام التربسين، ويتم تحليل الببتيدات الناتجة باستخدام LC-MS/MS عالية الدقة، وغالبا ما تستخدم مطياف الكتلة المتقدمة مثل مطياف الطيران الرباعي الأقطاب (QTOF) أو مطياف الكتلة المدارية عالية الدقة55. يتم بعد ذلك مطابقة بيانات التصلب المتعدد التي يتم جمعها، والمعروفة بأطياف MS/MS، مع تسلسلات الببتيدات من خلال البحث مقابل قاعدة بيانات بروتينية مشتقة من جينوم الكائن الحي أو نوع قريب الصلة، باستخدام أدوات برمجية مثل MaxQuant أو Mascot56,57. تسمح هذه العملية بقياس التغيرات في وفرة البروتينات تحت ظروف مختلفة، ويمكن تحقيق ذلك إما من خلال طرق خالية من العلامات أو باستخدام تقنيات وسم النظائر، مثل وسم النظائر المستقرة بواسطة الأحماض الأمينية في زراعة الخلايا (SILAC) أو الوسم المتساوي الضغط باستخدام كواشف TMT/iTRAQ، لتحديد أي الإنزيمات الحيوية يتم تنظيمها صعودا أو تخفيض58. 59. في المقابل، تركز طرق البروتيومكس المستهدفة، بما في ذلك مراقبة التفاعل المختار (SRM) أو مراقبة التفاعل المتوازي (PRM)، على مجموعة محددة من أيونات الببتيدات، وغالبا ما تكون ببتيدات فريدة من إنزيمات التخليق الحيوي الرئيسية أو البروتينات التنظيمية، مما يمكن من قياس دقيق وحساس لهذه الببتيدات عبر عدة عينات60,61.
  2. الأساليب المبتكرة في علم البروتيوميات
    أحد التحديات المهمة في التحليل البروتيومي للأيض الثانوي هو الكشف عن الإنزيمات الحيوية الكبيرة، مثل سينثيتازات الببتيدات غير الريبوسومية وسينثازات البوليكيتيد، والتي غالبا ما تتجاوز حجمها 100 كيلو دالتون وتنتج عددا قليلا من الببتيدات القابلة للكشف باستخدام بروتوكولات الهضم القياسية، مما يصعب ملاحظتها. لمعالجة هذه المشكلة، طور بامبوس وآخرون طريقة تعرف باسم PrISM، والتي تعزز الكشف عن بروتينات NRPS وPKS باستخدام عامل مساعد محدد موجود على هذه الإنزيمات62. يدمج PrISM البروتيوميات التقليدية للبندقية مع اختبار قذف الفوسفوبانتيثينيل (Ppant). ومن الجدير بالذكر أن إنزيمات NRPS وPKS تمتلك ذراع بانت متقاربة تساهميا على مجالات حامل الأسيل أو حامل الببتيديل؛ خلال تجزئة MS/MS، غالبا ما تولد هذه المجموعة الصناعية أيون شظايا فريدا، يعرف باسم "أيون القذف الصغير". من خلال تصفية بيانات LC-MS/MS لهذا الأيون التشخيصي بشكل حسابي، يمكن لطريقة PrISM إبراز الببتيدات المشتقة من إنزيمات NRPS وPKS وسط الخليط المعقد لجميع البروتينات الخلوية. وقد نجحت هذه الاستراتيجية في كشف مسارات تخليقية حيوية مخفية عبر البروتيوميات. على سبيل المثال، مكن سير عمل PrISM من اكتشاف الببتيدات من مركب جراميسيدين S سينثيتاز (GrsA/GrsB) في مزارع Bacillus brevis، مما أثبت ارتباطا مباشرا بين هذه الإنزيمات NRPS وإنتاج المضاد الحيوي غراميسيدين S في ذلك الكائن62. ومن المهم أن التعرف البروتيومي ل GrsA/GrsB لم يتطلب معرفة جينومية مسبقة ب B. brevis، مما يوضح أنه في بعض الحالات، يمكن لتحليل البروتيومي وحده أن يكشف عن مسارات تخليقية حيوية نشطة للنبتولات الناروتية حتى في الكائنات التي لم يتم تسلسل جينوماتها بعد.
  3. البروتيوميات المستنيرة على الجينوم
    عندما يتوفر تسلسل جينومي، يمكن تعزيز قوة البروتيوميات بشكل كبير باستخدام قاعدة بيانات خاصة بالسلالة لتحديد الببتيدات. على سبيل المثال، في دراسة حللت بروتيوم Streptomyces lilacinus، أجرى الباحثون تحليلين: أحدهما عن طريق البحث في الأطياف مقابل قاعدة بيانات عامة للبروتين، والآخر عن قاعدة بيانات مخصصة مشتقة من الجينوم المتسلسل لذلك السلالة63. أسفر التحليل المستند إلى الجينوم عن حوالي عشرة أضعاف عدد الببتيدات المعروفة واكتشاف ببتيدات مرتبطة بستة بنائين مميزين داخل الكائن الحي. ومن الجدير بالذكر أن ثلاثة من هذه المجموعات التي تم تحديدها كانت تتوافق مع مستقلبات "يتيمة" معروفة سابقا، بما في ذلك الغرابيكتين، والراكسيدين D، وسيدروفور محدد، وتم تأكيد تعبير إنزيماتها الحيوية الاصطناعية. بدت العناقيد المتبقية التي تم اكتشافها جديدة وغير محددة. يظهر هذا المثال أن دمج المعلومات الجينومية في سير العمل البروتيومي يمكن أن يؤكد أي المسارات البيولوجية الاصطناعية تعبر عنها بنشاط في السلالة، مما يعطي الأولوية لتلك المجموعات الجينية لعزل وتوصيف منتجاتها.
    بالإضافة إلى ذلك، يمكن لطرق البروتيوميك أن تضيء الأهداف الجزيئية وأنماط عمل البروتيوميات الكيميائية، وهي منطقة غالبا ما يشار إليها بالبروتيوميات الكيميائية. على سبيل المثال، يستخدم تحليل البروتينات المعتمد على النشاط (ABPP) مجسات جزيئية صغيرة، عادة مشتقات أو نظائر للبروتينات الطبيعية، تتفاعل مع الأهداف الخلوية للمركب، وتقوم بوضع علامات على تلك البروتينات للإثراء والتعرف عليها عبر MS64. يمكن لهذه التقنية أن تكشف عن أهداف البروتين التي يرتبط بها NP معين أو جزيء ذي صلة داخل الخلية. طريقة أخرى، وهي تحليل البروتيوم الحراري (TPP)، تتضمن تسخين عينات البروتينات في وجود أو غياب مركب لتحديد أي البروتينات تظهر استقرارا حراريا متغيرا، مما يشير إلى تفاعل ارتباط65. تعد هذه الأساليب الكيميائية للبروتيوم لا تقدر بثمن في التحقق من صحة الأهداف البيولوجية للبروتينات الكيميائية وتوضيح آليات عملها، مما يكمل اكتشاف النيوترويكات نفسها.

5. تعلم الآلة والذكاء الاصطناعي الذكاء الاصطناعي لتكامل الأوميكس والتنبؤ به

  1. دمج بيانات الميكروميكس المتعددة مع تعلم الآلة.
    من المجالات المثيرة في اكتشاف NPs تطبيق التعلم الآلي و الذكاء الاصطناعي لدمج بيانات الأوميكس في التنبؤات الوظيفية. في مجال علم الجينوم، تم تطوير خوارزميات تعلم الآلة، بما في ذلك الغابات العشوائية، وآلات الناقلات الداعمة، والشبكات العصبية العميقة، لتحديد الأنماط في الخلايا المجردة المبكرة المرتبطة بأنواع محددة من العصبات العصبية العصبية. على سبيل المثال، يمكن لهذه النماذج العصبية العصبية تصنيف الخلايا الكيميائية الكيميائية بناء على الفئة العامة للجزيئات التي تنتجها أو حتى التنبؤ بخصائص معينة للبنية الكيميائية المستمدة من تسلسل الجينات. تسلط مراجعة أجراها داسون MS وزملاؤه الضوء على أدوات تعلم الآلة، المصممة لفك شفرة "لغة" الخلايا الذرية البنية، باستخدام بيانات تسلسل الحمض النووي أو الأحماض الأمينية لاستنتاج هياكل وأنشطة الحمض النووي المضاد المقابلة66. تعتمد هذه النماذج عادة على قواعد بيانات واسعة لتجمعات ومركبات جينية معروفة لمعرفة العلاقات بينها، مما يمكن من التنبؤ بالنشاط البيولوجي المحتمل للمركبات الجديدة. على سبيل المثال، يمكنهم تقييم ما إذا كان منتج من BGC غير محدد قد يمتلك خصائص مضادة حيوية أو مضادة للسرطان. تشمل التطورات المهمة التي سهلت هذه القدرات استخدام مجموعات بيانات تدريبية كبيرة، مثل آلاف الهياكل المعروفة NP وعناقيد الجينات، وتقنيات تمثيل مبتكرة مثل تضمينات التسلسلات والشبكات العصبية البيانية التي تلتقط خصائص تجمعات الجينات والهياكل الكيميائية، والنماذج متعددة المعلمات التي تجمع بين مختلف الواصفات الجينومية والكيميائية لتعزيز دقة التنبؤ.
    في مجال علم الأيض، تعزز تقنيات الذكاء الاصطناعي بشكل كبير تفسير بيانات الطيف الكتلي المعقدة. مثال بارز هو أداة CSI:FingerID، التي تستخدم التعلم الآلي للتنبؤ ببصمة الجزيء الهيكلية من طيف MS/MS الخاص به. تساعد هذه القدرة في تحديد المستقلبات غير المعروفة من خلال اقتراح هياكل تحتية محتملة ومركبات مرشحة67. وبالمثل، تم استخدام نماذج التعلم العميق في التعليقات الطيفية؛ تتعلم الشبكات العصبية الالتفافية، ومؤخرا البنى المعتمدة على المحولات، مثل نموذج "DreaMS"، أنماط التجزئة من مكتبات طيفية واسعة. يمكن لهذه النماذج اقتراح هياكل لأطياف مجهولة بناء على الأنماط التي تعلموها، وغالبا ما تتفوق على الطرق الاستدلالية التقليدية، خاصة للمستقلبات التي لا تطابق تماما في قواعد البيانات القائمة68. بعيدا عن التعليقات الهيكلية، يساهم التعلم الآلي أيضا في علم الأيض من خلال تحديد الأنماط العالمية. على سبيل المثال، يمكن لخوارزميات التصور غير المراقب مثل t-SNE (تضمين الجيران العشوائي الموزع t-موزع) وUMAP (تقريب وإسقاط متعدد الأبعاد الموحد) تقليل أبعاد مجموعات بيانات الميتابولومات غير المستهدفة، مما يسهل تجميع العينات بناء على التشابه في ملفات المستقلبات الخاصة بها. وفي الوقت نفسه، يمكن للمصنفات الخاضعة للإشراف ربط توقيعات المستقلبات المحددة بالصفات الظاهرية أو الأنشطة الحيوية للعينات، مما يثري التحليل أكثر69,70,71.
    يتم استخدام التعلم الآلي بشكل متزايد لدمج مجموعات بيانات الأوميكس المختلفة، مما يخلق فهما أكثر شمولا لتخليق ووظائف الممارسين المتخصصين. من خلال دمج بيانات الجينوميات، وعلم النسخ، والبروتيومكس، والميتابولوميات، يمكن للنماذج التكاملية أن تكشف عن روابط قد يتم تجاهلها عند فحص كل نوع بيانات بشكل منفصل. على سبيل المثال، يمكن للباحثين بناء شبكات ارتباط بين الجينات والمستقلبات تربط مستويات التعبير في الجينات أو البروتينات بمستويات إنتاج المستقلبات. يمكن لنماذج التعلم الآلي المدربة على هذه البيانات المتكاملة أن تتنبأ بعد ذلك بأي مجموعات جينية من المحتمل أن تكون مسؤولة عن مستقلبات محددة أو أنشطة بيولوجية محددة72,73. تسهل التقنيات المتقدمة متعددة المتغيرات، مثل تحليل عوامل متعددة الأوميكس (المتوفرة في أدوات مثل MOFA) والطرق متعددة المتغيرات المنظمة (الموجودة في حزم مثل mixOmics)، تحديد العوامل الكامنة التي تشمل أنواع بيانات مختلفة، مثل مجموعة من الجينات المعبر عنها جنبا إلى جنب مع مجموعة من المستقلبات المتزامنة74,75,76. عمليا، لاكتشاف NPs، تساعد طرق مختلفة في إعطاء الأولوية لمجموعات الجينات المرشحة من خلال إثبات وجود صلة مع المستقلبات أو الأنماط الظاهرية المرصودة. مثال بارز على هذه الاستراتيجية التكاملية الموجهة الذكاء الاصطناعي هو اكتشاف عائلة جديدة من الريبوسومات المركبة وRiPPs باستخدام خوارزمية DecRiPPter. تستخدم هذه الخوارزمية نموذجا يعتمد على آلة الناقل الداعمة (SVM) لتحليل البيانات الجينومية للببتيدات السابقة المشفرة من RiPP ثم تقارن هذه التنبؤات مع تحليل الجينوم الشامل لإزالة المركبات المعروفة. عند تطبيقها على 1,295 Streptomyces الجينومات، نجح DecRiPPter في تحديد 42 عائلة RiPP جديدة مفترضة تم تجاهلها سابقا من قبل طرق التعدين التقليدية للجينوم. من بين هذه العناقيد المتوقعة، تم التحقق من صحة واحدة تجريبيا لإنتاج لانثيببتيد من الفئة V الجديدة، أطلق عليها الباحثون اسم "بريستينين A3". من خلال تحفيز تعبير هذا التجمع الجيني الصامت، تم عزل مركب البريستنين A3، وتم تحديد تركيبه باستخدام الرنين المغناطيسي النووي والتصلب، كاشفا عن إنزيمين غير معروفين سابقا لتشكيل لانثيونين مشفرين داخل المسار77. يبرز هذا الإنجاز كيف يمكن للتحليلات المدفوعة الذكاء الاصطناعي أن تكشف عن NPs مخفية: فقد اكتشف نموذج التعلم الآلي إشارة جينية غير معروفة بخلاف ذلك، مما وجه الجهود التجريبية لاكتشاف جزيء جديد.
  2. تطبيقات الذكاء الاصطناعي الناشئة
    بالإضافة إلى التطبيقات الحالية، هناك عدة استراتيجيات ناشئة مدفوعة ب الذكاء الاصطناعي تستعد لإحداث ثورة أكبر في أبحاث الممرضين الممارسين الممارسين. ومن المجالات الواعدة أن التركيب الرجعي الحاسوبي وتصميم المسارات، حيث يتم تطوير نماذج التعلم العميق لاقتراح مسارات التخليق الحيوي أو خطوات الكيمياء الاصطناعية للكائنات النارية المعروفة ونظائرها، والتي يمكن أن تعزز بشكل كبير تصميم وإنتاج المركبات الجديدة78,79. هناك مجال مثير آخر وهو التنبؤ بوظيفة الإنزيمات باستخدام الذكاء الاصطناعي. من خلال الاستفادة من أدوات التنبؤ الحديثة ببنية البروتينات المبنية على خوارزميات التعلم العميق، إلى جانب تقنيات التعلم الآلي مثل التعلم التبايني على تسلسلات البروتين، بدأ الباحثون في استنتاج الأنشطة المحتملة للإنزيمات غير المشخصة الموجودة في البستريات. قد يوفر هذا رؤى حول أنواع التحولات الكيميائية التي تحفزها هذه الإنزيمات 80,81,82. يتم تطوير خطوط أنابيب متكاملة من الأوميكس إلى الكيمياء، حيث تهدف منصات الذكاء الاصطناعي إلى ربط ميزات الطيف الكتلي تلقائيا ببيانات الجينوم83,84. من حيث المبدأ، يمكن لمثل هذا النظام تحليل مجموعة بيانات LC-MS/MS من عينة معقدة إلى جانب تسلسلات الجينوم من نفس البيئة، مما يسمح له بالتنبؤ بأي مجموعة جينية مسؤولة عن كل استقلاب غير معروف من خلال تسجيل تطابقات بين مجموعة الجينات والمستقلبات. على الرغم من أن هذه الأساليب لا تزال في مراحلها الأولى، إلا أنها تشير إلى مستقبل يمكن فيه الذكاء الاصطناعي ربط الجينات بالجزيئات بشكل مستقل، مما يسرع بشكل كبير عملية الانتقال من بيانات الأوميكس إلى اكتشاف NPs جديدة.
  3. حوكمة البيانات والتحديات الأخلاقية في اكتشاف ممارسات الذكاء الاصطناعي المدعومة بالذكاء الاصطناعي
    تنتج أبحاث الوسائط المتعددة الحديثة كمية كبيرة من البيانات المتنوعة، لكن فعالية توقعات الذكاء الاصطناعي تعتمد بشكل كبير على جودة واتساق هذه المجموعات. عندما تكون مجموعات التدريب مشروحة بشكل ضعيف أو متحيزة، قد تؤدي إلى نتائج مضللة وتحقق فاشل85. لمعالجة هذه المشكلة، يجب على الباحثين تطبيق مبادئ FAIR - قابلة للعثور، متاحة، قابلة للتشغيل البيني، وقابلة لإعادة الاستخدام - لتعزيز شفافية البيانات، وقابلية إعادة الإنتاج، وقابلية إعادة الاستخدام الواسعة86. يتضمن هذا النهج مشاركة النتائج الإيجابية والسلبية، وتوثيق خطوط معالجة البيانات المسبق بشكل شامل، وتوفير كود التحليل لتسهيل التحقق المستقل. بالإضافة إلى ذلك، فإن تبني البنى التحتية الرقمية الناشئة، مثل دفاتر المخبرات الإلكترونية (ELNs) وسير العمل المحوطة، أمر ضروري لتحسين التقاط البيانات وضمان التنظيم الموحد87,88.
    بينما يسرع الذكاء الاصطناعي اكتشاف الممرضين الممرضين بشكل كبير، فإنه يثير أيضا مخاوف أخلاقية مهمة. الخوارزميات التي تم تدريبها على مجموعات بيانات غير مكتملة أو منحازة يمكن أن تعزز عدم المساواة القائمة، مما يؤكد الحاجة إلى بيانات تدريب متنوعة وممثلة89. بالإضافة إلى ذلك، يعد استخدام طرق الذكاء الاصطناعي القابلة للتفسير أمرا حيويا لتعزيز الشفافية ومساعدة العلماء على فهم التوقعات، مما يضمن أن يكون الذكاء الاصطناعي أداة داعمة تحت السيطرة البشرية بدلا من أن يكون أداة لصانع القرار85. تشمل الاعتبارات الأخلاقية أيضا خصوصية البيانات، خاصة عند استخدام مجموعات البيانات السريرية أو المشتقة من البشر، بالإضافة إلى تداعيات ذلك على القوى العاملة مع تزايد تأثير الأتمتة على بيئة البحث90. لمعالجة هذه القضايا، يجب أن تخضع أنظمة الذكاء الاصطناعي لتدقيقات منتظمة، وتقييمات تحيز، ورقابة تنظيمية صارمة، مما سيساعد في الحفاظ على العدالة والمساءلة والموثوقية في مجال أبحاث الممارسين الممارسين.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الاستنتاجات

تستفيد الحالة الحالية لاكتشاف الممارسين المتقدمين (NPs) من مزيج من الكيمياء التحليلية والمعلوماتية الحيوية، مما يخلق تآزرا قويا. كما هو موضح في الشكل 1، تعمل تقنيات الأوميكس المتقدمة مثل استقلاب LC-MS، والتسلسل عالي الإنتاجية، وRNA-Seq، والبروتيومكس جنبا إلى جنب مع التحليلات الحاسوبية، بما في ذلك الشبكات وتعلم الآلة، لتشكيل خط فعال للاكتشاف. تشمل التطورات الحديثة في هذا المجال الأوميكس أحادية الخلية، التي تسمح بتحديد المنتجين...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

يصرح جميع المؤلفين بأنه لا توجد علاقات مالية أو شخصية يمكن اعتبارها تضارب محتمل في المصالح.

شكر وتقدير

وقد دعم هذا العمل المؤسسة الوطنية للعلوم الطبيعية في الصين (32500813)، وبرنامج زمالة ما بعد الدكتوراه في مؤسسة علوم المجتمع الصيني (GZC20251503)، وبرنامج سيتشوان للعلوم والتكنولوجيا (2024ZYD0149)، ومؤسسة البحوث الخاصة لبرنامج ما بعد الدكتوراه في مقاطعة سيتشوان (TB2024017)، ومشروع البحث والتطوير الرئيسي لمكتب دييانغ للعلوم والتكنولوجيا (2024SZY016، 2023SZZ009)، ومركز بناء القدرات والتعليم المستمر للجنة الصحة الوطنية (GWJJMB202510025060)، وصندوق خاص لمشاريع الحاضنة في مستشفى شعب دييانغ (FRH202501، FHT202501). نعترف بأن الشكل 1 تم إنشاؤه باستخدام BioRender,

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المراجع

  1. Newman, D. J., Cragg, G. M. Natural products as sources of new drugs over the nearly four decades from 01/1981 to 09/2019. J Nat Prod. 83 (3), 770-803 (2020).
  2. Shang, X., et al. Natural products in antiparasitic drug discovery: Advances, opportunities and challenges. Nat Prod Rep. 42 (9), 1419-1458 (2025).
  3. Atanasov, A. G., et al. Natural products in drug discovery: Advances and opportunities. Nat Rev Drug Discov. 20 (3), 200-216 (2021).
  4. Xie, S., Zhan, F., Zhu, J., Xu, S., Xu, J. The latest advances with natural products in drug discovery and opportunities for the future: A 2025 update. Expert Opin Drug Discov. 20 (7), 827-843 (2025).
  5. Sahana, S., et al. Multi-omics approaches: Transforming the landscape of natural product isolation. Funct Integr Genomics. 25 (1), 132(2025).
  6. Zhang, H. W., et al. Application of omics- and multi-omics-based techniques for natural product target discovery. Biomed Pharmacother. 141, 111833(2021).
  7. Blin, K., et al. antiSMASH 5.0: Updates to the secondary metabolite genome mining pipeline. Nucleic Acids Res. 47 (W1), W81-W87 (2019).
  8. Song, C., et al. Comparative transcriptomics unveil the crucial genes involved in coumarin biosynthesis in Peucedanum praeruptorum Dunn. Front Plant Sci. 13, 899819(2022).
  9. Bayona, L. M., De Voogd, N. J., Choi, Y. H. Metabolomics on the study of marine organisms. Metabolomics. 18 (3), 17(2022).
  10. Du, P., Fan, R., Zhang, N., Wu, C., Zhang, Y. Advances in integrated multi-omics analysis for drug-target identification. Biomolecules. 14 (6), 692(2024).
  11. Elgahamy, A. A., El-Desoky, A. H., Otify, A. M., El Fishawy, A. M., El-Beih, A. A. Molecular networking derived from untargeted LC-MS/MS analysis to discover inhibitors of RANKL-induced osteoclastogenesis from Egyptian marine sponge-associated fungi. Sci Rep. 15 (1), 27137(2025).
  12. Bustamam, M. S. A., et al. Complementary analytical platforms of NMR spectroscopy and LCMS analysis in the metabolite profiling of Isochrysis galbana. Mar Drugs. 19 (3), 139(2021).
  13. Hu, G., Qiu, M. Machine learning-assisted structure annotation of natural products based on MS and NMR data. Nat Prod Rep. 40 (11), 1735-1753 (2023).
  14. Gaudencio, S. P., et al. Advanced methods for natural products discovery: Bioactivity screening, dereplication, metabolomics profiling, genomic sequencing, databases and informatics tools, and structure elucidation. Mar Drugs. 21 (5), 308(2023).
  15. Sedighikamal, H., Mashayekhan, S. Critical assessment of quenching and extraction/sample preparation methods for microorganisms in metabolomics. Metabolomics. 21 (2), 40(2025).
  16. Recommended Coverage and Read Depth for NGS Applications. , https://genohub.com/recommended-sequencing-coverage-by-application/?utm_source (2025).
  17. Brockbals, L., Ueland, M., Fu, S., Padula, M. P. Development and thorough evaluation of a multi-omics sample preparation workflow for comprehensive LC-MS/MS-based metabolomics, lipidomics and proteomics datasets. Talanta. 286, 127442(2025).
  18. Graw, S., et al. Multi-omics data integration considerations and study design for biological systems and disease. Mol Omics. 17 (2), 170-185 (2021).
  19. Han, E., Kwon, H., Jung, I. A review on multi-omics integration for aiding study design of large-scale TCGA cancer datasets. BMC Genomics. 26 (1), 769(2025).
  20. Lusk, R. W. Diverse and widespread contamination evident in the unmapped depths of high-throughput sequencing data. PloS one. 9 (10), e110808(2014).
  21. Queiroz, E. F., Guillarme, D., Wolfender, J. L. Advanced high-resolution chromatographic strategies for efficient isolation of natural products from complex biological matrices: From metabolite profiling to pure chemical entities. Phytochem Rev. 23 (5), 1415-1442 (2024).
  22. Huang, Z., Bi, T., Jiang, H., Liu, H. Review on NMR as a tool to analyse natural products extract directly: Molecular structure elucidation and biological activity analysis. Phytochem Anal. 35 (1), 5-16 (2024).
  23. Li, T., et al. Direct infusion-tandem mass spectrometry combining with data mining strategies enables rapid chemome characterization of medicinal plants: A case study of Polygala tenuifolia. J Pharm Biomed Anal. 204, 114281(2021).
  24. Zou, Y., Tang, W., Li, B. Exploring natural product biosynthesis in plants with mass spectrometry imaging. Trends Plant Sci. 30 (1), 69-84 (2025).
  25. Zhang, A., et al. Qualitative and quantitative determination of chemical constituents in Jinbei oral liquid, a modern Chinese medicine for coronavirus disease 2019, by ultra-performance liquid chromatography coupled with mass spectrometry. Front Chem. 11, 1079288(2023).
  26. Liu, Y., et al. Discovery of bioactive-chemical Q-markers of Acanthopanax sessiliflorus leaves: An integrated strategy of plant metabolomics, fingerprint and spectrum-efficacy relationship research. J Chromatogr B Analyt Technol Biomed Life Sci. 1233, 124009(2024).
  27. LC-MS analysis: Mini review frequently used open source softwares. Binanto, I., Warnars, H. L. H. S., Sianipar, N. F., Abbas, B. S. 2019 6th International Conference on Information Technology, Computer and Electrical Engineering (ICITACEE), , IEEE. 1-5 (2019).
  28. Blazenovic, I., Kind, T., Ji, J., Fiehn, O. Software tools and approaches for compound identification of LC-MS/MS data in metabolomics. Metabolites. 8 (2), 31(2018).
  29. Wang, M., et al. Sharing and community curation of mass spectrometry data with Global Natural Products Social Molecular Networking. Nat Biotechnol. 34 (8), 828-837 (2016).
  30. Leclair, M. M., et al. Discovery of Levesquamide B through Global Natural Products Social Molecular Networking. Molecules. 27 (22), 7794(2022).
  31. Yanagisawa, K., et al. A new pyranonaphthoquinone, actinoquinonal A, and its congeners from the combined-culture of Streptomyces sp. 23-50 and Tsukamurella pulmonis TP-B0596. J Antibiot (Tokyo). 78 (6), 350-358 (2025).
  32. Kum, E., Ince, E. Metabolomics approach to explore bioactive natural products derived from plant-root-associated streptomyces. Appl Biochem Biotechnol. 196 (10), 7293-7306 (2024).
  33. Poynton, E. F., et al. The Natural Products Atlas 3.0: Extending the database of microbially derived natural products. Nucleic Acids Res. 53 (D1), D691-D699 (2025).
  34. Zhang, S., et al. Global analysis of natural products biosynthetic diversity encoded in fungal genomes. J Fungi (Basel). 10 (9), 653(2024).
  35. Wang, Z., et al. The deep mining era: Genomic, metabolomic, and integrative approaches to microbial natural products from 2018 to 2024. Mar Drugs. 23 (7), 261(2025).
  36. Blin, K., et al. antiSMASH 7.0: New and improved predictions for detection, regulation, chemical structures and visualisation. Nucleic Acids Res. 51 (W1), W46-W50 (2023).
  37. Hannigan, G. D., et al. A deep learning genome-mining strategy for biosynthetic gene cluster prediction. Nucleic Acids Res. 47 (18), e110(2019).
  38. Sanchez-Navarro, R., et al. Long-read metagenome-assembled genomes improve identification of novel complete biosynthetic gene clusters in a complex microbial activated sludge ecosystem. mSystems. 7 (6), e0063222(2022).
  39. Waschulin, V., et al. Biosynthetic potential of uncultured Antarctic soil bacteria revealed through long-read metagenomic sequencing. ISME J. 16 (1), 101-111 (2022).
  40. Xu, M., et al. Functional genome mining for metabolites encoded by large gene clusters through heterologous expression of a whole-genome bacterial artificial chromosome library in Streptomyces spp. Appl Environ Microbiol. 82 (19), 5795-5805 (2016).
  41. Liu, Z., Zhao, Y., Huang, C., Luo, Y. Recent advances in silent gene cluster activation in Streptomyces. Front Bioeng Biotechnol. 9, 632230(2021).
  42. Blin, K., et al. antiSMASH 6.0: Improving cluster detection and comparison capabilities. Nucleic Acids Res. 49 (W1), W29-W35 (2021).
  43. Skinnider, M. A., et al. Comprehensive prediction of secondary metabolite structure and biological activity from microbial genome sequences. Nat Commun. 11 (1), 6058(2020).
  44. Navarro-Munoz, J. C., et al. A computational framework to explore large-scale biosynthetic diversity. Nat Chem Biol. 16 (1), 60-68 (2020).
  45. Zhu, S., et al. Computational advances in biosynthetic gene cluster discovery and prediction. Biotechnol Adv. 79, 108532(2025).
  46. Zhao, C., et al. Genome sequencing provides potential strategies for drug discovery and synthesis. Acupunc Herbal Med. 3 (4), 244-255 (2023).
  47. Bomfiglio, I. F., Mendes, I. S. M., Bonatto, D. A review of DNA restriction-free overlapping sequence cloning techniques for synthetic biology. Biotechnol J. 20 (7), e70084(2025).
  48. Culp, E. J., et al. Evolution-guided discovery of antibiotics that inhibit peptidoglycan remodelling. Nature. 578 (7796), 582-587 (2020).
  49. Chu, J., et al. Discovery of MRSA active antibiotics using primary sequence from the human microbiome. Nat Chem Biol. 12 (12), 1004-1006 (2016).
  50. Kloosterman, A. M., et al. Expansion of RiPP biosynthetic space through integration of pan-genomics and machine learning uncovers a novel class of lanthipeptides. PLoS Biol. 18 (12), e3001026(2020).
  51. Amos, G. C. A., et al. Comparative transcriptomics as a guide to natural product discovery and biosynthetic gene cluster functionality. Proc Natl Acad Sci U S A. 114 (52), E11121-E11130 (2017).
  52. Imdahl, F., Saliba, A. E. Advances and challenges in single-cell RNA-seq of microbial communities. Curr Opin Microbiol. 57, 102-110 (2020).
  53. Llorens-Rico, V., Simcock, J. A., Huys, G. R. B., Raes, J. Single-cell approaches in human microbiome research. Cell. 185 (15), 2725-2738 (2022).
  54. Hirsch, P., et al. ABC-HuMi: The Atlas of biosynthetic gene clusters in the human microbiome. Nucleic Acid Res. 52 (D1), D579-D585 (2024).
  55. Tyanova, S., Temu, T., Cox, J. The MaxQuant computational platform for mass spectrometry-based shotgun proteomics. Nat Protoc. 11 (12), 2301-2319 (2016).
  56. Lepretre, M., et al. From shotgun to targeted proteomics: rapid Scout- MRM assay development for monitoring potential immunomarkers in Dreissena polymorpha. Anal Bioanal Chem. 412 (26), 7333-7347 (2020).
  57. Rani, P., Alam, S. I., Singh, S., Kumar, S. Elucidation of peptide screen for targeted identification of Yersinia pestis by nano-liquid chromatography tandem mass spectrometry. Sci Rep. 15 (1), 1096(2025).
  58. Beller, N. C., Hummon, A. B. Advances in stable isotope labeling: Dynamic labeling for spatial and temporal proteomic analysis. Mol Omics. 18 (7), 579-590 (2022).
  59. Meng, J. Y., et al. Identification of differentially expressed proteins in sugarcane in response to infection by Xanthomonas albilineans using iTRAQ quantitative proteomics. Microorganisms. 8 (1), 76(2020).
  60. Vidova, V., Spacil, Z. A review on mass spectrometry-based quantitative proteomics: Targeted and data independent acquisition. Anal Chim Acta. 964, 7-23 (2017).
  61. Rauniyar, N. Parallel reaction monitoring: A targeted experiment performed using high resolution and high mass accuracy mass spectrometry. Int J Mol Sci. 16 (12), 28566-28581 (2015).
  62. Bumpus, S. B., Evans, B. S., Thomas, P. M., Ntai, I., Kelleher, N. L. A proteomics approach to discovering natural products and their biosynthetic pathways. Nat Biotechnol. 27 (10), 951-956 (2009).
  63. Albright, J. C., Goering, A. W., Doroghazi, J. R., Metcalf, W. W., Kelleher, N. L. Strain-specific proteogenomics accelerates the discovery of natural products via their biosynthetic pathways. J Ind Microbiol Biotechnol. 41 (2), 451-459 (2014).
  64. Chen, X., et al. Target identification with quantitative activity-based protein profiling (ABPP). Proteomics. 17 (3-4), (2017).
  65. Cui, Z., Li, C., Chen, P., Yang, H. An update of label-free protein target identification methods for natural active products. Theranostics. 12 (4), 1829-1854 (2022).
  66. Dason, M. S., Cora, D., Re, A. Sequence modeling tools to decode the biosynthetic diversity of the human microbiome. mSystems. 10 (7), e0033325(2025).
  67. Ludwig, M., Duhrkop, K., Bocker, S. Bayesian networks for mass spectrometric metabolite identification via molecular fingerprints. Bioinformatics. 34 (13), i333-i340 (2018).
  68. Bushuiev, R., et al. Self-supervised learning of molecular representations from millions of tandem mass spectra using DreaMS. Nat Biotechnol. , (2025).
  69. Tian, M., et al. Pure ion chromatograms combined with advanced machine learning methods improve accuracy of discriminant models in LC-MS-based untargeted metabolomics. Molecules. 26 (9), 2715(2021).
  70. Mildau, K., et al. Effective data visualization strategies in untargeted metabolomics. Nat Prod Rep. 42 (6), 982-1019 (2025).
  71. Yuan, X., Smith, N. S., Moghe, G. D. Analysis of plant metabolomics data using identification-free approaches. Applications in Plant Sciences. 13 (4), e70001(2025).
  72. Ji, J., Jung, S. PredCMB: Predicting changes in microbial metabolites based on the gene-metabolite network analysis of shotgun metagenome data. Bioinformatics. 41 (1), btaf020(2024).
  73. Wang, X., Kadarmideen, H. N. Metabolite genome-wide association study (m GWAS) and gene-metabolite interaction network analysis reveal potential biomarkers for feed efficiency in pigs. Metabolites. 10 (5), 201(2020).
  74. Argelaguet, R., et al. Multi-Omics Factor Analysis-a framework for unsupervised integration of multi-omics data sets. Mol Syst Biol. 14 (6), e8124(2018).
  75. Rohart, F., Gautier, B., Singh, A., Le Cao, K. A. mixOmics: An R package for 'omics feature selection and multiple data integration. PLoS Comput Biol. 13 (11), e1005752(2017).
  76. Arikan, M., Muth, T. Integrated multi-omics analyses of microbial communities: A review of the current state and future directions. Mol Omics. 19 (8), 607-623 (2023).
  77. Kloosterman, A. M., et al. Integration of machine learning and pan-genomics expands the biosynthetic landscape of RiPP natural products. bioRxiv. , (2020).
  78. Sathyanarayana, S. V., et al. DeepRetro: Retrosynthetic pathway discovery using iterative LLM reasoning. arXiv e-prints. , (2025).
  79. Zheng, S., et al. Deep learning driven biosynthetic pathways navigation for natural products with BioNavi-NP. Nat Commun. 13 (1), 3342(2022).
  80. Wang, W., Shuai, Y., Zeng, M., Fan, W., Li, M. DPFunc: Accurately predicting protein function via deep learning with domain-guided structure information. Nat Commun. 16 (1), 70(2025).
  81. Yu, T., et al. Enzyme function prediction using contrastive learning. Science. 379 (6639), 1358-1363 (2023).
  82. Casadevall, G., Duran, C., Osuna, S. AlphaFold2 and deep learning for elucidating enzyme conformational flexibility and its application for design. JACS Au. 3 (6), 1554-1562 (2023).
  83. Lee, Y. Y., et al. HypoRiPPAtlas as an Atlas of hypothetical natural products for mass spectrometry database search. Nat Commun. 14 (1), 4219(2023).
  84. Leao, T. F., et al. NPOmix: A machine learning classifier to connect mass spectrometry fragmentation data to biosynthetic gene clusters. PNAS Nexus. 1 (5), pgac257(2022).
  85. Hermann, E., Hermann, G., Tremblay, J. C. Ethical artificial intelligence in chemical research and development: A dual advantage for sustainability. Sci Eng Ethics. 27 (4), (2021).
  86. Mugahid, D., et al. A practical guide to FAIR data management in the age of multi-OMICS and AI. Front Immunol. 15, 1439434(2024).
  87. Lin, C. L., et al. Addressing standardization and semantics in an electronic lab notebook for multidisciplinary use: LabIMotion. J Cheminform. 17 (1), 75(2025).
  88. Alser, M., et al. Packaging and containerization of computational methods. Nat Protoc. 19 (9), 2529-2539 (2024).
  89. Blanco-Gonzalez, A., et al. The role of AI in drug discovery: Challenges, opportunities, and strategies. Pharmaceuticals (Basel). 16 (6), 891(2023).
  90. Mirakhori, F., Niazi, S. K. Harnessing the AI/ML in drug and biological products discovery and development: The regulatory perspective. Pharmaceuticals (Basel). 18 (1), 47(2025).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

مقالات ذات صلة