الذكاء الاصطناعي يبني سقالات جزيئية لبروتينات الغشاء عصية الترويض، مضيفًا مُثبّتًا جديدًا إلى علم الأحياء البنيوي

تشبه البروتينات الموجودة على غشاء الخلية بوابات وهوائيات مثبتة على الحدود؛ فهي مسؤولة عن استقبال الإشارات ونقل الجزيئات، وغالبًا ما تكون مواقع رئيسية تسعى الأدوية إلى التدخل عندها. لكنها غير مستقرة: فبعد مغادرة بيئة الغشاء الدهني، يسهل أن يتغير شكلها أو تتجمع أو تفقد نشاطها، ما يجعل حصول العلماء على بنى ثلاثية الأبعاد واضحة أمرًا صعبًا. ووفقًا لتقرير نشرته Chemical & Engineering News، يستخدم الباحثون حاليًا بروتينات مصممة بالذكاء الاصطناعي لتوفير سقالات جزيئية أكثر استقرارًا لهذه الفئة من بروتينات الغشاء «عصية الترويض».

لا يكمن جوهر هذا التقدم في استخدام الذكاء الاصطناعي لاستبدال التجارب مباشرة، بل في تمكينه من تصميم بروتينات مساعدة يمكنها الارتباط ببروتين الغشاء المستهدف، فتثبته مثل مشبك في هيئة بنيوية أسهل للتحليل. وإذا نجح التصميم، يصبح من الأسهل على الباحثين مشاهدة شكل البروتين عبر المجهر الإلكتروني فائق البرودة أو غيره من أساليب علم الأحياء البنيوي، ومن ثم فهم كيفية عمله وكيف يمكن للأدوية تنظيمه.

تنبع أهمية بروتينات الغشاء من أن كثيرًا من المستقبلات وقنوات الأيونات وبروتينات النقل تقع على غشاء الخلية؛ وهي مرتبطة بالنقل العصبي والاستجابة المناعية وتنظيم الأيض وعمليات العدوى. وتكمن المشكلة في أن هذه البروتينات غالبًا ما تحتاج إلى دهون غشائية أو بروتينات مرافقة أو بيئات جزيئية محددة للحفاظ على حالتها الطبيعية. تقليديًا، قد يستخدم الباحثون شظايا الأجسام المضادة أو الأجسام المضادة النانوية أو هندسة الطفرات لتثبيت الهدف، لكن كل بروتين يتطلب مسارًا جديدًا من التجريب، بتكلفة زمنية عالية ومن دون ضمان للنجاح.

توفر البروتينات المصممة بالذكاء الاصطناعي مسارًا آخر: التنبؤ أولًا داخل الحاسوب بالأشكال القادرة على التوافق مع سطح الهدف، ثم تصنيع الجزيئات المرشحة وفحصها تجريبيًا. وإذا تمكنت هذه الأساليب من رفع معدل الإصابة، فقد تسمح بإعادة بروتينات غشائية كانت قد وُضعت جانبًا بسبب عدم استقرارها إلى مسار تحليل البنى. وبالنسبة إلى تطوير الأدوية، فإن البنى الأوضح تعني غالبًا مواقع ارتباط أدق، وتصميمًا جزيئيًا أكثر منطقية، وفرصة أبكر للتعرف إلى مخاطر الفشل.

مع ذلك، لا تزال المعلومات المنشورة حاليًا محدودة للغاية. فالملخصات المتاحة لا تقدم تفاصيل مثل بروتينات الهدف المحددة، أو البيانات التجريبية، أو دقة التحليل البنيوي، أو معدل النجاح، أو ما إذا كانت قد طُبقت بالفعل في تصميم جزيئات مرشحة كأدوية؛ كما لا توجد مصادر خارجية للحدث نفسه يمكن استخدامها للتثبت المتبادل. لذلك، من الأنسب فهم هذا التقرير بوصفه تقدمًا في صندوق أدوات علم الأحياء البنيوي، لا إشارة إلى أن علاجًا معينًا يوشك على الانتقال إلى التطبيق السريري.

وتأتي التحديات الأكثر عملية لاحقًا. فقد تغير البروتينات المثبتة المصممة بالذكاء الاصطناعي الهيئة الديناميكية الأصلية لبروتين الغشاء المستهدف، بحيث يرى الباحثون لحظة واحدة بعد التثبيت بدلًا من الحالة الفسيولوجية الكاملة؛ كما قد تؤثر البيئات الخلوية المختلفة، وتركيبة الدهون، وظروف الربيطات في تفسير النتائج. وإذا استُخدمت البنى ذات الصلة لدعم تصميم الأدوية، فستظل هناك حاجة إلى تجارب وظيفية ونماذج خلوية وتحقق بيولوجي لاحق للتأكد من أن الشكل الذي جرت «رؤيته» له معنى فعلي بالنسبة إلى آلية المرض.

ومع ذلك، تكشف هذه الأعمال عن دور أكثر واقعية للذكاء الاصطناعي في الطب الحيوي: ليس اختزال مشكلات الحياة المعقدة إلى إجابات خوارزمية، بل تحسين أكثر حلقات العلم التجريبي مشقة. فعندما يمكن تثبيت بروتينات الغشاء غير المستقرة ومشاهدتها بصورة أكثر موثوقية، تتاح لكثير من الآليات الجزيئية التي كانت غامضة فرصة أن تصبح معرفة قابلة للاختبار والتصحيح والاستفادة الدوائية.