التكنولوجيا الحيوية · global
A-Alpha Bio تطلق Atlas لاستهداف فجوة البيانات الأصعب في تصميم البروتينات بالذكاء الاصطناعي
لم تعد المنافسة في تصميم البروتينات تدور حول حجم النماذج فقط، بل حول من يستطيع الحصول على بيانات بيولوجية موثوقة بما يكفي وقابلة للعودة إلى المختبر للتحقق منها؛ ويبرز ظهور Atlas أن صناعة الأدوية بالذكاء الاصطناعي تنتقل من سردية الخوارزميات إلى بنية البيانات التحتية.
يعيد الذكاء الاصطناعي تشكيل تصورات هندسة البروتينات، لكن ما يبطئ التقدم فعليا غالبا ليس ما إذا كان النموذج قادرا على توليد تسلسلات أنيقة، بل ما إذا كانت هذه التسلسلات مدعومة ببيانات تجريبية كافية. أعلنت A-Alpha Bio إطلاق Atlas، مع التركيز على معالجة عنق زجاجة البيانات في تصميم البروتينات بالذكاء الاصطناعي، وهو ما يعيد التركيز من "النماذج الأقدر على التنبؤ" إلى مسألة أبسط وأكثر كلفة أيضا: أي بيانات التفاعلات البيولوجية كثيرة ودقيقة بما يكفي لتمكين التصميم من دخول مسارات التجربة والتطوير.
وفقا للمعلومات التي نشرتها الشركة عبر Yahoo Finance، يتموضع Atlas كمنصة أو مورد بيانات لدعم تصميم البروتينات بالذكاء الاصطناعي، ويهدف إلى توفير أساس بيانات أكثر قابلية للاستخدام لمساعدة الباحثين وفرق تطوير الأدوية على تصميم بروتينات ذات وظائف محددة. وبسبب محدودية الملخصات العامة المتاحة حاليا، لا يمكن بعد تأكيد أنواع البيانات التي يغطيها Atlas، أو حجمه، أو أساليبه التجريبية، أو نموذج الترخيص، أو ما إذا كان قد جرى التحقق منه من قبل عملاء خارجيين أو أبحاث أقران.
الاستخدامات العملية لتصميم البروتينات واسعة، من الأجسام المضادة والإنزيمات والمستقبلات المستخدمة في العلاج الخلوي، إلى الجزيئات الجديدة القادرة على الارتباط ببروتينات مرتبطة بالأمراض؛ وكلها تحتاج إلى البحث داخل فضاء تسلسلات هائل عن عدد صغير من المرشحات الوظيفية والمستقرة والقابلة للتصنيع. يمكن لنماذج الذكاء الاصطناعي تقصير وقت البحث، لكن حدود ما يتعلمه النموذج تعتمد على البيانات؛ فإذا كانت بيانات التدريب ضيقة أو عالية الضوضاء أو تفتقر إلى حالات الفشل، فمن السهل أن تعطي الخوارزميات تصاميم تبدو معقولة لكنها لا تصمد تجريبيا.
وهذا هو موضع الألم الصناعي الذي يشير إليه Atlas. في السنوات الأخيرة، غالبا ما أبرزت صناعة الأدوية بالذكاء الاصطناعي التصميم التوليدي، أو التنبؤ بالبنية، أو منصات التجارب المؤتمتة كنقاط قوة، لكن بالنسبة إلى هندسة البروتينات، ما تزال بيانات الاختبارات عالية الجودة المتعلقة بالارتباط، ومستوى التعبير، والثبات، والنوعية، والوظيفة تتطلب تراكم قدر كبير من التجارب الرطبة. ارتفاع تكلفة الحصول على البيانات، وعدم اتساق الصيغ، وصعوبة المقارنة المباشرة بين ظروف تجريبية مختلفة، كلها تجعل هناك فجوة بين ما هو "قابل للتدريب" وما هو "قابل للتصديق".
مع ذلك، فإن قدرة منصة بيانات على تغيير كفاءة البحث والتطوير فعليا لا تعتمد على حجم البيانات فقط. الأهم هو ما إذا كانت البيانات آتية من أنظمة تجريبية محددة بوضوح، وما إذا كانت تحتفظ بالنتائج السلبية وشروط الحدود، وما إذا كانت قادرة على دعم استقراء النماذج نحو أهداف جديدة أو عائلات بروتينية جديدة أو سياقات علاجية مختلفة. وإذا كان Atlas يتكون أساسا من بيانات داخلية للشركة وقدرات منصتها، فستحتاج قيمته أيضا إلى أن تُعرض عبر حالات تعاون فعلية، أو تحقق تجريبي من الجزيئات المرشحة، أو مقارنات مع الأساليب القائمة.
في ظل غياب مصادر مستقلة تؤكد الحدث نفسه، من الأنسب حاليا فهم هذا الإعلان على أنه خطوة من A-Alpha Bio لتحويل بنية تصميم البروتينات بالذكاء الاصطناعي إلى منتج، وليس اختراقا على مستوى سريري أو على مستوى دواء مرشح. والاتجاه الذي يعكسه واضح تماما: لن تقتصر منافسة المرحلة التالية في التكنولوجيا الحيوية بالذكاء الاصطناعي على من يستطيع طرح النماذج، بل ستشمل أيضا من يستطيع وصل البيانات التجريبية، وتكرار النماذج، والتحقق البيولوجي في مسار بحث وتطوير قابل للتكرار والمراجعة.