التقنية الحيوية وتطوير الأدوية · us
توليد البصمات الجزيئية أولًا، ثم البحث عن مركّبات جاهزة: فحص الأدوية بالذكاء الاصطناعي يكشف خيطين بحثيين مبكرين
استخدم فريق من جامعة بيتسبرغ الذكاء الاصطناعي التوليدي لتوفير خيوط بحث، وانتقى من قواعد بيانات كيميائية جزيئات يمكن إخضاعها للتجارب. وحددت اختبارات CB2 وHER4 مركّبًا ذا نشاط لكل منهما، وأظهرت أيضًا المسافة التي لا تزال تفصل التنبؤات الحاسوبية عن الفعالية الدوائية.
من التحديات في اكتشاف الأدوية معرفة ما إذا كانت الجزيئات التي يقترحها الحاسوب تستطيع الوصول فعليًا إلى المختبر. فحتى عندما تكون نتائج التنبؤ مثالية، قد تؤدي صعوبة التخليق إلى توقف البحث. واتخذ فريق من جامعة بيتسبرغ مسارًا آخر: جعل الذكاء الاصطناعي يولّد أولًا «بصمات جزيئية» تصف الخصائص الكيميائية، ثم البحث في قواعد البيانات عن مركّبات موجودة مشابهة، لتحويل التصاميم المجردة إلى مواد بحثية يمكن الحصول عليها وإخضاعها للاختبار.
طوّر مختبر Junmei Wang في الجامعة هذا المسار لاستكشاف المركّبات القائدة لتطوير الأدوية، الذي يحمل اسم FSGLD. ونُشرت الدراسة في مجلة Science Advances في 28 أكتوبر، وقدّمت الجامعة نتائجها في 10 نوفمبر. ويربط المسار بين النماذج التوليدية والبحث في قواعد البيانات والفحص الحاسوبي على مراحل، بهدف تضييق نطاق المركّبات المرشحة في أبحاث الأدوية المبكرة وتحديد الجزيئات التي تستحق إخضاعها للتجارب.
الأداة الأساسية، DRUG-GAN، هي شبكة توليدية تنافسية: يقترح المولّد بصمات جزيئية، بينما يتعلم المميّز التعرّف على الفروق بينها وبين بيانات الجزيئات الحقيقية. والبصمات ترميز رقمي للخصائص الكيميائية، وليست بُنى جزيئية كاملة؛ لذلك استخدم الفريق النتائج المولّدة بوصفها معايير بحث للعثور على مركّبات مشابهة في قواعد بيانات مثل ChEMBL وZINC، ثم رتّب أولويات التحقق باستخدام الإرساء الجزيئي والمحاكاة الديناميكية وحسابات الطاقة الحرة للارتباط. ويتيح ذلك استخدام جزيئات جاهزة في هذه المرحلة من البحث، ويقلّل الحاجة إلى تخليقها من الصفر.
شملت الدراسة المستقبلات المقترنة بالبروتين G وكينازات البروتين، وقدّمت النتائج التجريبية اختبارًا أكثر صرامة من الترتيب الحاسوبي. ففي اختبارات مستقبل القنّب من النوع الثاني CB2، لم يُرصد نشاط ارتباط إلا للمركّب ZINC77179032 من بين تسعة مركّبات مرشحة، وبلغ ثابت الارتباط Ki مقدار 3.77 ميكرومولار؛ أما المركّبات الثمانية الأخرى فلم يُرصد لها ارتباط قابل للكشف في ظروف تلك التجربة. وقد وفّرت هذه النتيجة نقطة انطلاق لأبحاث لاحقة، وذكّرت أيضًا بأن اجتياز مراحل متعددة من الفحص الحاسوبي لا يضمن ارتباط الجزيء بالهدف.
استهدفت مجموعة أخرى من التجارب مستقبل كيناز التيروزين HER4. واختبر الباحثون مركّبين مرشحين، أظهر أحدهما، ZINC33279960، تثبيطًا لنشاط الكيناز يزداد مع ارتفاع التركيز، وبلغ التركيز المثبط النصفي IC50 مقدار 8.615 ميكرومولار. ويدعم ذلك مواصلة دراسته بوصفه مركّبًا ذا نشاط في مرحلة مبكرة، لكن اختبار الارتباط بـCB2 واختبار تثبيط الإنزيم HER4 يقيسان ظاهرتين مختلفتين، ولا يمكن ترتيب مجموعتي الأرقام مباشرة بحسب قوة الفعالية الدوائية.
هناك أيضًا حدود ينبغي توضيحها عند التحقق باستخدام قواعد البيانات. تشير الورقة إلى أن بيانات تدريب نموذج CB2 الخاصة بالنشاط جاءت من ChEMBL، ولذلك فإن العثور مجددًا على جزيئات معروفة النشاط في قاعدة البيانات نفسها قد ينطوي على تداخل مع بيانات التدريب أو على بُنى متقاربة. وتوضح هذه النتائج بدرجة أكبر أن النموذج يوجّه البحث نحو خصائص كيميائية ذات صلة، لكنها لا تثبت وحدها أنه اكتشف جزيئات جديدة كليًا؛ أما اختيار مركّبات من ZINC ثم إخضاعها للتجارب فيضيف مستوى آخر من الأدلة.
النتيجة الأكثر تحديدًا حتى الآن هي مركّبان واعدان أوليان أظهرا نشاطًا عند مستوى الميكرومولار، وليسا دواءين مرشحين للعلاج ثبتت صلاحيتهما. ولا يزال نشاطهما وانتقائيتهما وتأثيرهما داخل الجسم وسلامتهما بحاجة إلى دراسات لاحقة؛ ولم تثبت النتائج الحالية بعد فعالية لدى البشر. وتتمثل القيمة العملية التي يقدّمها FSGLD في تسهيل إخضاع الخيوط التي يولّدها الذكاء الاصطناعي للاختبار التجريبي، أما ما إذا كان ذلك سيرفع معدل نجاح تطوير الأدوية فلا يزال يحتاج إلى مقارنات وعمليات تحقق أوسع نطاقًا.