الذكاء الاصطناعي في الطب الحيوي · global
الذكاء الاصطناعي يفهم البروتينات، لكنه لا يزال عاجزًا عن تحديد موضع ارتباط الأجسام المضادة بدقة: EpiBench يكشف فجوة الاستدلال على الحواتم
يُظهر تقييم جديد يشمل 1,609 عينة مدعومة بأدلة تجريبية وبنيوية أن النماذج اللغوية الكبيرة العامة تستطيع التقاط إشارات تقريبية للحواتم، لكنها تواجه صعوبة في الربط بصورة موثوقة بين جسم مضاد محدد ومواضع الأحماض الأمينية والهروب المناعي.
لا تعتمد صلاحية الجسم المضاد ليصبح دواءً جيدًا على قدرته على الارتباط بالمستضد فحسب، بل أيضًا على الموضع الذي يرتبط به تحديدًا. وقد تؤثر هذه المنطقة، المعروفة باسم «الحاتمة»، في فعالية التثبيط والانتقائية العلاجية والهروب المناعي بعد حدوث الطفرات؛ غير أن تقييمًا جديدًا يُظهر أنه حتى مع قدرة النماذج اللغوية الكبيرة على الإجابة عن أسئلة طبية حيوية معقدة، لا تزال قدرتها محدودة للغاية على تحديد هذا الموضع المحوري مباشرةً من تسلسل البروتين.
أنشأ فريق البحث EpiBench، الذي يضم 1,609 عينة وُسمت استنادًا إلى نقاط التلامس البنيوية في معقّدات الأجسام المضادة والمستضدات، وتجارب وظيفية منسّقة للخلايا البائية، وتأثيرات الهروب المقاسة بواسطة المسح العميق للطفرات. وتعمّد التقييم حذف أسماء الأجسام المضادة والمستضدات، ومعرّفات بنك بيانات بنية البروتين، ومعلومات الأوراق البحثية، مع الإبقاء فقط على تسلسلات المستضدات والأجسام المضادة ومواضع البقايا أو بيانات الطفرات، للحد من فرص اعتماد النماذج على حفظ الأسئلة عند الإجابة.
قُسّمت الأسئلة إلى خمس فئات تتبع مسار تطوير الأجسام المضادة: البحث في تسلسل المستضد عن مناطق يُحتمل استهدافها، وتحديد الحاتمة المقابلة لجسم مضاد بعينه، وتجميع الأجسام المضادة التي تتداخل مواضع ارتباطها، والتعرّف على الحواتم ذات التأثير الوظيفي، والتنبؤ بما إذا كانت طفرة نقطية واحدة ستُفقد الجسم المضاد فعاليته. وتقابل هذه المهام، على التوالي، اختيار المناطق المرشحة، وتوضيح آلية العمل، وتصميم توليفات الأجسام المضادة، وتقييم مخاطر مقاومة الدواء، ولا تقتصر على أسئلة وأجوبة عامة في علم الأحياء.
بعد إخضاع تسعة نماذج عامة لاختبار موحّد دون أمثلة مسبقة، لم يتفوق أي منها تفوقًا شاملًا. استطاعت بعض النماذج وضع نطاق التنبؤ عمومًا بالقرب من الحاتمة المحتملة، لكن أداءها ظل قريبًا من العشوائي عند التمييز بين كل بقايا الحاتمة والبقايا غير التابعة لها؛ كما كشفت الأسئلة التي تتطلب تحديد موضع الارتباط أو تأثير الهروب بالاقتران مع جسم مضاد محدد عن قصور في مطابقة التسلسلات والاستدلال البنيوي. وفي المهام القابلة للمقارنة مباشرةً، ظلت نماذج الحواتم المتخصصة متفوقة إجمالًا على النماذج اللغوية الكبيرة العامة.
من السهل خصوصًا أن تفقد النماذج قدرتها على تحديد المواضع في التسلسلات الطويلة. ففي مهمة استكشاف المناطق من دون تقديم جسم مضاد محدد، انخفض متوسط درجة استرجاع أفضل 50 بقايا مرشحة عبر النماذج التسعة من 81.3 عندما كان المستضد أقصر من 200 حمض أميني إلى 12.8 عندما تجاوز طوله 800 حمض أميني. كما أن مطالبة النماذج بكتابة عملية استدلال واضحة لم تحسّن النتائج بصورة مستقرة؛ إذ اعتمدت الإجابات الخاطئة غالبًا على أنماط تسلسلية تبدو معقولة، أو خصائص فيزيائية وكيميائية عامة، أو تشابه تسلسلات الأجسام المضادة، من دون أن ترتبط فعليًا بعلاقة الجسم المضاد بالحاتمة التي يدور حولها السؤال.
من الأنسب النظر إلى هذه النتيجة بوصفها أداة تشخيصية، لا حكمًا نهائيًا على قدرة الذكاء الاصطناعي على تصميم الأجسام المضادة. يعتمد EpiBench إعدادًا مغلقًا بمدخلات تقتصر على التسلسلات وتقييم قابل للأتمتة، ولا يحاكي مباشرةً سير عمل التطوير الفعلي الذي يجمع بين النمذجة البنيوية والتغذية الراجعة التجريبية والتفسير البشري؛ وقد تكون بعض الحواتم المعروفة غير مكتملة أيضًا. ولم يُنشر البحث حتى الآن إلا في صورة مسودة أولية لم تخضع بعد لمراجعة الأقران، لكنه يرسم حدًا واضحًا: يمكن للنماذج العامة تقديم مؤشرات تقريبية، إلا أنها لا تزال تفتقر إلى أساس موثوق في تحديد مواضع البقايا، وانتقائية الأجسام المضادة، والآليات البيولوجية، بما يكفي لدعم اختيار الأجسام المضادة المرشحة وتقييم مخاطر الهروب بصورة مستقلة.