→ العودة إلى الصفحة الرئيسية

استبعاد الجزيئات التي «تخدع» التجارب أولًا: الذكاء الاصطناعي ينقّي الإشارات الزائفة في فحص أدوية السل

يحاول CAGE-Fusion تحديد الجزيئات المسببة للمشكلات، التي يسهل أن تتداخل مع التجارب، قبل انتقال المركبات المرشحة إلى مراحل التحقق اللاحقة المكلفة؛ ويُظهر أداءً قويًا في التصنيف، لكنه لا يستطيع بعد أن يحل محل الاختبارات الفعلية وتفسير الآليات.

By SURL BioNews

تتمثل إحدى التكاليف الخفية في اكتشاف أدوية جديدة للسل في المركبات التي تبدو قادرة على تثبيط الهدف، بينما لا تفعل في الواقع سوى إرباك التجربة. فقد تتكتل، أو تتداخل مع إشارات التلألؤ، أو تتفاعل بصورة غير نوعية مع جزيئات متعددة، ما يدفع فرق البحث إلى استثمار مزيد من الوقت والموارد في ملاحقة نتائج إيجابية زائفة. وقد طوّر فريق بحثي في جامعة تكساس إيه آند إم نموذج CAGE-Fusion بهدف اكتشاف هذه «الجزيئات المسببة للمشكلات» في مرحلة مبكرة نسبيًا من عملية فحص الأدوية.

لا يكتفي نموذج التعلم العميق هذا بقراءة تمثيل كيميائي واحد. فمن جهة، يتعامل الباحثون مع الجزيء بوصفه رسمًا بيانيًا يتكون من ذرات وروابط كيميائية؛ ومن جهة أخرى، يقرؤون بنيته الجزيئية المسجلة في سلاسل SMILES، ثم يدمجون مساري المعلومات من خلال آلية انتباه مشترك ذات بوابات؛ كما تدعم الشفرة البرمجية المتاحة للعامة إضافة واصفات RDKit الجزيئية. ويهدف هذا التصميم إلى التقاط البنية الموضعية، وعلاقات الترابط الكلية، والسمات الكيميائية داخل التسلسل في آن واحد.

في مهمة تصنيف للمركبات المتداخلة استنادًا إلى بيانات منقحة، قيّم CAGE-Fusion أربع فئات من المشكلات الشائعة: تكوين التجمعات، وتثبيط إنزيم اللوسيفيراز، وامتلاك نشاط كيميائي تفاعلي، والمركبات واسعة النشاط التي تسجّل «إصابات» متكررة في اختبارات متعددة. وأفادت الورقة البحثية بأن المتوسط الكلي الكلي لـROC-AUC بلغ 0.94، ولـPR-AUC بلغ 0.73؛ وتشير القيمة الأولى إلى أن النموذج يتمتع بقدرة جيدة على الترتيب والتمييز، لكنها لا تعني مباشرة أن «94% من التنبؤات صحيحة». كما تذكّر القيمة الأقل لـPR-AUC القراء بأن أداء الفحص الفعلي لا يزال متفاوتًا عند التعامل مع فئات غير متوازنة أو حالات إيجابية نادرة.

كما دمج فريق البحث النموذج في منصة بيانات قابلة للبحث لاكتشاف أدوية السل، بحيث يستطيع المستخدمون، عند الاستعلام عن جزيئات مرشحة، الحصول أيضًا على تقدير لمخاطر تسببها المحتمل في تداخلات تجريبية. وإذا أمكن إعطاء الأولوية لاستبعاد المركبات عالية المخاطر بعد الفحص الأولي واسع النطاق، فستزداد فرص تخصيص موارد اختبارات التأكيد والتحسين الكيميائي للمرشحات التي تمتلك بالفعل إمكانات لمكافحة السل؛ ويوفر المستودع العام أيضًا البيانات وأوزان النموذج ومكونات لنشر خدمة الاستدلال باستخدام Docker وFastAPI.

ومع ذلك، تظل هذه أداة تصنيف حاسوبية، وليست جهة تحسم أن المركب غير فعّال. ولا تستطيع خرائط الانتباه في النموذج سوى الإشارة إلى السمات البنيوية المرتبطة بالتنبؤ، ولا يمكنها إثبات أن تلك المواضع تسبب التداخل، فضلًا عن أنها لا تستطيع أن تحل محل التحقق التجريبي من خلال اختبارات التجمع أو التفاعلية أو التحليلات المتعامدة. كذلك لا تُظهر البيانات الحالية أن الأداة قد خفّضت كميًا النتائج الإيجابية الزائفة، أو قصّرت زمن البحث والتطوير، أو رفعت معدل نجاح الأدوية المرشحة النهائية ضمن عملية فحص مستقبلية لأدوية السل.

لذلك، لا تكمن القيمة العملية لهذا العمل في جعل الذكاء الاصطناعي «يكتشف دواءً جديدًا للسل» مباشرة، بل في تحسين مرحلة أكثر تحديدًا وأسهل في التحقق: وضع علامات مبكرة على الجزيئات التي قد تضلل الباحثين. وتتمثل الخطوة التالية الحاسمة في إجراء تحقق خارجي ومستقبلي عبر منصات تجريبية ومجالات كيميائية مختلفة، وتوضيح كيفية تأثير عتبات النموذج في خطر إغفال جزيئات ذات نشاط حقيقي؛ ولن يصبح حارسًا موثوقًا لبوابة الفحص إلا عندما تُعاير هذه النتائج بالتوافق مع سير العمل المخبري.

References

  1. Phys.org / Texas A&M University
  2. Journal of Cheminformatics / Springer Nature
  3. CAGE-Fusion authors / GitHub