الأجسام المضادة المصممة بالذكاء الاصطناعي تتجاوز عتبة تجريبية، والاختبار الحقيقي يبدأ للتو

غالباً ما تكون نقطة انطلاق أدوية الأجسام المضادة رحلة بحث طويلة: إذ يتعين على الباحثين، ضمن فضاء جزيئي هائل، العثور على جزيء يستطيع الالتصاق ببروتين مرتبط بالمرض من دون أن يلتصق عشوائياً بأهداف أخرى. يحاول Chai-2، الذي نشرته Chai Discovery ومتعاونون معها في Nature، دفع هذه الخطوة إلى الأمام: ليس عبر تعديل أجسام مضادة موجودة تدريجياً، بل عبر جعل الذكاء الاصطناعي يصمم مباشرة، استناداً إلى حاتمة محددة، أجساماً مضادة جديدة يحتمل أن ترتبط بها.

حالة الاستخدام الأساسية في هذا العمل محددة جداً. يحدد الباحثون منطقة الهدف على البروتين، أي الحاتمة التي يُراد من الجسم المضاد التعرف إليها، فيولّد النموذج تصاميم مرشحة مثل أجسام مضادة scFv، أو أجسام نانوية VHH، أو جزيئات ربط بروتينية صغيرة. وإذا ثبتت صلاحية ذلك، فقد يختصر مسار الاكتشاف المبكر للأجسام المضادة، خصوصاً للأهداف التي تفتقر إلى قوالب أجسام مضادة قائمة، والتي تكون كلفة الفحص التقليدي فيها أعلى.

يُظهر ملخص ورقة Nature أنه بعد أن صمم الفريق لـ100 هدف، أبلغ عن معدل إصابة في جولة واحدة للأجسام المضادة بلغ نحو 16%، وشمل ذلك تحققاً تجريبياً لـ52 هدفاً جديداً. وأضافت Chai Discovery في إعلان لاحق أن هذه الأهداف البروتينية المتنوعة البالغ عددها 52 تفتقر إلى روابط أجسام مضادة قائمة في قاعدة بيانات SAbDab؛ واختُبر لكل هدف ما يصل إلى 20 تصميماً من الأجسام المضادة أو الأجسام النانوية، ووجد الفريق جزيئاً رابطاً واحداً على الأقل في نحو نصف الأهداف. هذه الأرقام لا تعادل معدل نجاح سريري، لكنها تجعل الانتقال «من مخرجات النموذج إلى الارتباط في التجارب الرطبة» أكثر من مجرد مخطط توضيحي.

الأهم أن الجسم المضاد لا يكفي أن يكون قادراً على الارتباط. تفيد بيانات الشركة بأن بعض الجزيئات التي حققت إصابات أظهرت لاحقاً سمات مستقرة وذات نوعية وغير متعددة التفاعل؛ وهذه الخواص مهمة لتطوير الدواء، لأن الجزيئات التي تميل إلى التكتل، أو الارتباط العشوائي، أو الأداء الضعيف، غالباً ما تُستبعد قبل دخول التجارب على الحيوانات أو البشر. ومع ذلك، لا تزال هذه الأوصاف تقييماً مبكراً للخواص، وما زالت هناك مسافة كبيرة بينها وبين الفاعلية، والسمية، والمناعية، وقابلية التصنيع المطلوبة للمرشح الدوائي.

لا يراهن Chai-2 على الأجسام المضادة وحدها. فقد ذكرت الشركة في الإعلان نفسه أن النموذج حقق معدل إصابة في التجارب الرطبة بلغ 68% في تصميم جزيئات ربط بروتينية صغيرة؛ لكن هذا الرقم آتٍ من نوع جزيئي ومهمة مختلفين، ولا يمكن استخدامه مباشرة لاستنتاج احتمالات نجاح أدوية الأجسام المضادة. بالنسبة إلى الذكاء الاصطناعي في الطب الحيوي، هذا النوع من التمييز مهم: فالأداء اللافت للنموذج في نوع معين من تصميم البروتينات لا يعني تلقائياً أنه قادر على التعامل مع كل الأهداف العلاجية، أو كل أنماط الارتباط، أو كل قيود التصنيع.

تنبع أهمية هذه الورقة من أنها خضعت لمراجعة الأقران، ولديها بيانات تجريبية داعمة؛ أما حدودها فهي واضحة بالقدر نفسه. فالمعلومات العامة لا تزال غير كافية للحكم على توزيع صعوبة كل هدف، والأسباب البنيوية لحالات الفشل، وأداء الجزيئات التي حققت إصابات في إنضاج الألفة، واختبارات الوظيفة الخلوية، والنماذج داخل الجسم الحي. وإذا كان المسار مستقبلاً سيتجه نحو أجسام مضادة علاجية، فإن الجهات التنظيمية والصناعة لن تطلبا مجرد أن «تصميم الذكاء الاصطناعي يمكنه الارتباط»، بل قواعد تصميم قابلة لإعادة الإنتاج، ومصادر بيانات قابلة للتتبع، وضبط جودة صارماً، وسلسلة أدلة متوافقة مع المعايير الحالية لتطوير الأدوية.

في وقت تُروى فيه سردية الذكاء الاصطناعي في صناعة الدواء غالباً بسرعة مفرطة، يقدم Chai-2 نقطة أكثر قابلية للاختبار: فقد لامست الجزيئات التي صممها النموذج بروتينات حقيقية في المختبر وحققت إصابات. لكن طريق أدوية الأجسام المضادة لم يكن واسعاً قط، والإصابة المبكرة ليست سوى المدخل. ما سيغير ميدان البحث والتطوير فعلاً ليس معدل إصابة لافتاً لمرة واحدة، بل ما إذا كانت هذه الطريقة قادرة، عبر مزيد من الأهداف ومزيد من المختبرات وفي ظروف أقرب إلى السريرية، على تقديم جزيئات قابلة للتطوير بثبات.