وضع مقياس مشترك لذكاء اصطناعي الأجسام المضادة: AWS ومختبر Gray في Johns Hopkins يطلقان معيارا لقابلية التطوير

غالبا ما يتعثر اكتشاف أدوية الأجسام المضادة عند مشكلة لا تظهر كثيرا في عناوين الأخبار: فالجزيئات المرشحة لا يجب أن تمسك بالهدف فحسب، بل يجب أيضا أن تكون قابلة للتصنيع، وأن تحافظ على استقرارها، وأن تتجنب الالتصاق والتجمع غير الضروريين. يستطيع الذكاء الاصطناعي توليد أعداد كبيرة من التسلسلات دفعة واحدة، لكنه قد يقود فرق البحث أيضا إلى متاهة فرز أكبر. ومعيار Antibody Developability Benchmark، الذي أعلنت عنه AWS ومختبر Gray Lab في كلية الهندسة بجامعة Johns Hopkins في 14 أبريل، يستهدف تحديدا هذه الفجوة.

وفقا لما شرحته Amazon Science ومدونة AWS الصناعية، تضم مجموعة بيانات هذا المعيار 50 جسما مضادا أساسيا، و4 أشكال بنيوية، و42 هدفا مستضديا، وتقيس 6 مؤشرات لقابلية التطوير تشمل مستوى التعبير، والنقاوة، والثبات الحراري، والتجمع، وتعدد التفاعل، والكارهية للماء. هذه الخصائص لا تعادل الفعالية العلاجية، لكنها تؤثر بعمق في ما إذا كان جسم مضاد يمكنه الخروج من الحاسوب والدخول إلى خزانات زراعة الخلايا، والتجارب الحيوانية، والتطوير السريري اللاحق.

لا تكمن أهمية هذه البيانات في حجمها فقط، بل في طريقة تصميمها. تقول Amazon Science إن مجموعة البيانات تضم متغيرات مهندسة، وتحتفظ عمدا بنتائج أفضل وأسوأ من حيث قابلية التطوير؛ كما تم تأكيد جميع البيانات بتجارب رطبة، بحيث لا يكون تقييم النماذج مجرد مقارنة نموذج بآخر، بل مقارنة مع «الحقيقة الأرضية» المقاسة تجريبيا. وبالنسبة إلى تصميم الأجسام المضادة الموجه بالذكاء الاصطناعي، فإن هذا النوع من البيانات غير المتجانسة والموحدة أقرب إلى بيئة البحث والتطوير الحقيقية من اختبار يستند إلى هدف واحد أو هيكل جسم مضاد واحد.

وقد أُدرج هذا المعيار أيضا ضمن سير عمل Amazon Bio Discovery الذي أطلقته AWS في اليوم نفسه. وتقول AWS إن المستخدمين يستطيعون مقارنة أكثر من 40 نموذجا حيويا للذكاء الاصطناعي على هذه المنصة، كما يمكنهم تحميل نماذجهم الخاصة أو استخدام نماذج طرف ثالث، وإجراء مقارنات مباشرة باستخدام معيار قابلية تطوير الأجسام المضادة. أما TechRadar Pro فقد نقل في تقريره توصيف AWS لهذه الأدوات بأنها تأمل في تقليص أجزاء من عملية تصميم الأجسام المضادة من نحو عام إلى أسابيع؛ وهذا توصيف من جهة المنصة لكفاءة سير العمل، ولا يعني أن دورة تطوير الدواء ككل يمكن ضغطها بالنسبة نفسها.

في سيناريوهات الاستخدام الفعلية، يربط Amazon Bio Discovery اختيار النماذج، وفرز الجزيئات المرشحة، والتغذية الراجعة التجريبية ضمن سير عمل «lab-in-the-loop». وتذكر مدونة AWS أن المنصة تستطيع إرسال الأجسام المضادة المرشحة إلى شركاء تجارب رطبة مدمجين، من بينهم Ginkgo Bioworks وTwist Bioscience وA-Alpha Bio، ثم تعود نتائج التجارب لاستخدامها في مقارنة الفجوة بين التنبؤ والقياس الفعلي. وإذا أمكن تشغيل هذه الحلقة المغلقة باستقرار، فلن تكون قيمتها في جعل الذكاء الاصطناعي بديلا عن التجارب، بل في جعل التجارب المكلفة تتركز في وقت أبكر على الجزيئات المرشحة ذات الاحتمال الأعلى.

مع ذلك، فإن مجموعة بيانات المعيار نفسها لا تزال ليست ضمانا لسلامة الدواء أو نجاحه السريري. يمكن لمؤشرات قابلية التطوير أن تساعد في استبعاد الجزيئات المعرضة لفشل التصنيع أو التجمع أو السلوك غير المستقر، لكن ما إذا كان الجسم المضاد فعالا، أو يثير استجابة مناعية، أو يحقق تعرضا مناسبا داخل جسم الإنسان، لا يزال يحتاج إلى اختبارات دوائية وسمية وتجارب سريرية. كما أن إطلاق مجموعة البيانات بالاشتراك بين مزود منصة سحابية ومختبر أكاديمي يعني أن الشفافية، وقابلية التكرار الخارجية، والإفصاح اللاحق في أوراق علمية، ستؤثر في مدى قبول مجتمع البحث لها.

يظهر هذا الإعلان أن المنافسة في الذكاء الاصطناعي الطبي الحيوي تتحول من «كم تسلسلا يمكن توليده» إلى «هل يمكن تقييمه جماعيا وبطريقة قابلة للاختبار». وإذا كان تصميم الأجسام المضادة سينتقل من تنبؤات حاسوبية جميلة إلى مرشحات دوائية قابلة للتصنيع والاختبار والتنظيم، فستكون المعايير التجريبية العامة والمتنوعة أساسا ضروريا. لن تلغي هذه المعايير مخاطر البحث والتطوير، لكنها قد تجعل المخاطر تنكشف في وقت أبكر، وتجعل نقاط قوة النماذج ونقاطها العمياء أوضح للرؤية.