AlphaFold 3 يتجاوز حدود البروتينات، وتنبؤ البنى بالذكاء الاصطناعي يدخل عصر التفاعلات الجزيئية

عندما يريد الباحثون فهم سبب قدرة جزيء مرشح دوائي على الاستقرار داخل جيب بروتيني، أو كيف يتكون مركب من مقطع RNA وبروتين، فإن العامل الحاسم غالبا لا يكون شكل جزيء واحد، بل طريقة تماس هذه الجزيئات ودورانها واقترابها وتنافرها مع بعضها. إن AlphaFold 3، الذي نشرته DeepMind وIsomorphic Labs في مجلة Nature، يحاول تحديدا دفع تنبؤ البنى بالذكاء الاصطناعي من «رؤية البروتينات» إلى «رؤية كيف تلتقي الجزيئات الحيوية».

يواصل هذا النموذج الثورة التي أطلقها AlphaFold 2 في تنبؤ بنى البروتينات، لكن هدفه أوسع. وتشير الورقة البحثية إلى أن AlphaFold 3 يمكنه التنبؤ ببنى المركبات المكونة من البروتينات وDNA وRNA والربيطات الجزيئية الصغيرة والأيونات والبقايا المعدلة. وبعبارة أخرى، لم يعد يقتصر على معالجة الهيكل البروتيني الأكثر ألفة في علوم الحياة، بل يحاول وصف تفاعلات جزيئية أقرب إلى البيئة الحقيقية داخل الخلية ضمن إطار تعلم عميق واحد.

تقنيا، يعتمد AlphaFold 3 بنية نموذج انتشار محدثة بدرجة كبيرة، تولد الإحداثيات الذرية مباشرة، وتستبدل تصميم evoformer الأثقل في AlphaFold 2 بوحدة pairformer أبسط نسبيا. ويجعل هذا التغيير النموذج أكثر قدرة على التعامل مع كيانات كيميائية مختلفة، من دون الحاجة إلى بناء مجموعة قواعد شديدة التخصيص لكل نوع من التفاعلات الجزيئية. وتذكر الورقة أيضا أن النموذج يمكنه الانطلاق من مدخلات مثل تسلسلات البوليمرات، وتعديلات البقايا، وتمثيلات SMILES للجزيئات الصغيرة، لتوليد بنى المركبات.

قيّم فريق البحث أداء النموذج باستخدام فئات متعددة من المعايير، شملت تفاعلات البروتينات والربيطات، وتفاعلات البروتينات والأحماض النووية، وواجهات الأجسام المضادة والمستضدات، وبنى RNA، وبيانات بنيوية حديثة من Protein Data Bank. وفي تقرير الورقة، تفوق AlphaFold 3 في معظم الفئات على عدد من الأدوات المتخصصة؛ فعلى سبيل المثال، أظهر في تفاعلات البروتينات والربيطات دقة بنيوية أعلى مقارنة بأدوات الالتحام التقليدية، كما حقق تقدما واضحا على الطرق القائمة في تنبؤ تفاعلات البروتينات والأحماض النووية، والأجسام المضادة والمستضدات.

وهذا يجعله نوعا ملموسا نسبيا من أدوات الذكاء الاصطناعي في الطب الحيوي. وبالنسبة إلى تطوير الأدوية، يمكن استخدام المعلومات البنيوية للمساعدة في الحكم على ما إذا كان جزيء صغير قد يدخل جيب البروتين المستهدف، أو ما إذا كان جسم مضاد قد يلامس منطقة رئيسية في المستضد، أو ما إذا كانت التركيبات الجزيئية في العلاجات المرتبطة بالأحماض النووية معقولة. ويمكن لهذه المعلومات أن تؤثر في أبحاث الأهداف المبكرة، وتصميم الجزيئات المرشحة، وترتيب أولويات التجارب، لا أن تقتصر على تقديم صور ثلاثية الأبعاد جميلة.

مع ذلك، لا تزال هناك مسافة طويلة بين تنبؤ البنى ونجاح الدواء. فالنموذج أقدر على الإجابة عن سؤال «كيف يمكن أن توضع الجزيئات معا»، لكنه لا يستطيع أن يثبت مباشرة قوة الارتباط، أو النشاط الخلوي، أو السمية، أو الاستقرار الأيضي، أو الفاعلية داخل جسم الإنسان. وينطبق ذلك خصوصا على أدوية الجزيئات الصغيرة، إذ إن وضعية الارتباط ليست سوى حلقة واحدة في سلسلة التطوير؛ أما ما إذا كان الدواء المرشح قابلا للتصنيع والامتصاص والتوزع واجتياز التجارب السريرية، فلا يزال يحتاج إلى دعم من البيانات التجريبية والسريرية.

وتُظهر الورقة أيضا أن هذا النوع من النماذج التوليدية لا بد أن يواجه مخرجات بنيوية تبدو معقولة لكنها قد تكون خاطئة. وقد استخدم فريق البحث طرقا مثل التقطير المتقاطع وتقييم الثقة للحد من خطر الهلوسة، لكن لا يزال على المستخدمين تفسير عدم اليقين في النموذج، لا سيما عند غياب بيانات تدريب قريبة، أو ارتفاع مرونة الجزيئات، أو تأثر الحالة الحيوية بالظروف البيئية. وبالنسبة إلى الجهات التنظيمية وصناعة الأدوية، يبدو AlphaFold 3 أقرب إلى أداة مرشحة لرفع كفاءة الأبحاث ما قبل السريرية، وليس مصدرا للأدلة يمكنه بمفرده دعم القرارات.

لذلك لا تكمن أهمية AlphaFold 3 في إعلان أن الذكاء الاصطناعي قد استبدل علم الأحياء البنيوي، بل في أنه نقل مدخل الحسابات في علم الأحياء البنيوي خطوة كبيرة إلى الأمام. وإذا أمكن في المستقبل دمج هذه النماذج بصورة أوثق مع المجهر الإلكتروني فائق البرودة، وعلم البلورات بالأشعة السينية، ومطيافية الكتلة، وتجارب الخلايا، وبيانات علم الأدوية ما قبل السريرية، فقد تغير إيقاع طرح الباحثين للفرضيات وتنظيمهم للتجارب؛ لكن قيمتها ستظل في نهاية المطاف تقاس ضمن عمليات علم الأحياء الجزيئي وتطوير الأدوية القابلة للتحقق المتكرر.