يدفع الذكاء الاصطناعي السؤال الأول في تصميم الأدوية إلى مرحلة أبكر: أين ينبغي استهداف البروتين

في اكتشاف الأدوية، غالبا ما لا يكون السؤال الأقدم والأسهل في التقليل من شأنه هو كيفية تصميم الجزيء، بل أي جزء من البروتين يستحق أن يلامس. فإذا كان الموقع المختار على الجانب الداخلي من غشاء الخلية، أو محجوبا بالغلكزة أو بتعديلات أخرى، أو كانت لديه جيب جميل لكنه غير قابل للوصول في البيئة الحيوية، فقد يقوم ما يلي من تصميم دقيق للأجسام المضادة أو الببتيدات أو الجزيئات الصغيرة على نقطة انطلاق خاطئة.

طرحت مسودة أولية نُشرت على arXiv في 1 يونيو Site4Drug، وهو AI agent للتنبؤ بمناطق البروتين القابلة للارتباط بدواء. ويضعه فريق البحث بوصفه نظاما لاختيار المواقع «واعيا بالنمط»: فهو لا يكتفي بسرد الأهداف المرشحة، بل يرتب أيضا المناطق القابلة للتدخل على البروتين، ويضيف القيود، وملخصات الأدلة، وعلامات المخاطر، وسجلا قابلا للتتبع للقرارات.

يستهدف هذا الإعداد خطوة مبكرة جدا في سير عمل اكتشاف الأدوية بالذكاء الاصطناعي. يمكن لكثير من النماذج التوليدية أن تقترح أجساما مضادة أو ببتيدات أو جزيئات صغيرة مرشحة، لكن إذا كان على المستخدم أن يحدد شكل الدواء منذ البداية، فقد يحصر النظام نفسه مبكرا جدا في استراتيجية خاطئة. أما تصميم Site4Drug فيحاول الانطلاق من مجموعة الأدلة الفيزيائية الحيوية والتسلسلية نفسها، للحكم على ما إذا كانت منطقة ما أنسب لارتباط الأجسام المضادة أو الببتيدات، أم أنها أكثر احتمالا لدعم جيب لجزيء صغير.

بحسب الملخص، تشمل الإشارات التي يدمجها Site4Drug طوبولوجيا البروتين، والكارهية للماء، والميل إلى تعديلات ما بعد الترجمة، والروابط ثنائية الكبريتيد، وسياق النطاقات البنيوية، وتسلسل الأحماض الأمينية. هذه المعلومات مهمة خصوصا للبروتينات الغشائية، لأنها غالبا ما تواجه في الوقت نفسه قيود الاتجاه داخل الخلية وخارجها، ومناطق عبور الغشاء، والغلكزة، ودرجة الانكشاف السطحي؛ فموقع يبدو معقولا في نموذج بنيوي قد لا يكون بالضرورة قابلا فعلا لوصول الدواء إليه.

ومن نقاط التركيز الأخرى فيه «قابلية التدقيق». في بيئات التجارب وتطوير الأدوية، لا يحتاج الباحثون إلى نتيجة ترتيب فقط، بل يحتاجون أيضا إلى معرفة لماذا استبعد النموذج مناطق معينة، ولماذا مال إلى نمط دوائي محدد، وأي أحكام تعتمد على الاستدلال لا على دليل مباشر. وإذا أمكن إنتاج مثل هذه السجلات بثبات، فقد يساعد ذلك الخبراء البشريين على فحص توصيات الذكاء الاصطناعي، بدلا من الاكتفاء بقبول درجة يصعب مساءلتها.

مع ذلك، فإن هذه الورقة حاليا مسودة أولية على arXiv، وتشير إلى أنها قُبلت في ورشة عمل ICML 2026 «generative and agentic AI for Biology»؛ ولا يقدم الملخص العلني حالات سريرية، أو تحققا بتجارب رطبة، أو نتائج اختبارات استباقية واسعة النطاق. لذلك، من الأنسب في هذه المرحلة النظر إلى Site4Drug بوصفه إطارا منهجيا: فهو يقترح كيفية وضع أنواع متعددة من الأدلة الخاصة باختيار الموقع الهدف ضمن سير عمل واحد قابل للفحص، لا أنه يثبت أنه يستطيع بالفعل تحسين معدل نجاح الأدوية المرشحة بصورة موثوقة.

سيأتي الاختبار الحقيقي لاحقا. فلكي تدخل مثل هذه الأنظمة ممارسة البحث والتطوير الدوائي، يجب مقارنتها مرارا عبر أهداف معروفة، وحالات فشل، وعائلات بروتينية مختلفة، للتأكد من أنها تستطيع تجنب المواقع غير القابلة للوصول بيولوجيا أو ذات مخاطر التطوير المرتفعة جدا؛ وإذا استُخدمت للتأثير في استثمارات كبيرة أو قرارات ما قبل سريرية، فستحتاج أيضا إلى ضبط أوضح للإصدارات، وسجلات لمصادر البيانات، وحدود للمسؤولية. يمكن للذكاء الاصطناعي أن يجعل الأحكام المبكرة أكثر تنظيما، لكن في اكتشاف الأدوية، يظل التنظيم بحاجة إلى اختبار تجريبي.