تصميم البروتينات ينتقل إلى منصة عمل سحابية، وBoltzGen يصل إلى SageMaker AI

إحدى أكثر مراحل اكتشاف الأدوية استهلاكاً للوقت هي البحث، داخل فضاء البروتينات الشاسع، عن «رابط» يستطيع الالتصاق بدقة بالجزيء المستهدف. يغيّر الذكاء الاصطناعي التوليدي نقطة البداية في هذا العمل: فلم يعد الباحثون يكتفون بإجراء تعديلات دقيقة قرب جزيئات طبيعية موجودة، بل بات بإمكانهم أن يطلبوا من النموذج أولاً اقتراح آلاف البنى المحتملة، ثم تُحال إلى المختبر ليجري انتقاؤها تدريجياً. وقد نشرت AWS مؤخراً مقالة تقنية تعرض كيفية تشغيل BoltzGen على Amazon SageMaker AI لتسريع هذا النوع من سير عمل تصميم البروتينات.

BoltzGen هو نموذج توليدي مفتوح المصدر على مستوى الذرات كافة، يهدف إلى تصميم بروتينات أو ببتيدات يمكنها الارتباط بأهداف بيولوجية مثل البروتينات، والببتيدات، والجزيئات الصغيرة. ووفقاً لورقته العلمية المنشورة ووصف مستودع الشيفرة الخاص به، يستطيع المستخدمون وصف مهمة التصميم باستخدام مواصفة YAML، مثل تحديد بنية الهدف، أو موضع الارتباط المرغوب، أو قيود البنية الثانوية، أو شروط الروابط التساهمية؛ يولّد النموذج أولاً عدداً كبيراً من البنى المرشحة، ثم يجري الطي العكسي، وإعادة الطي، والتحليل والفرز، ليُخرج في النهاية عدداً صغيراً من المرشحين المرتبين لاختبارهم لاحقاً في التجارب.

لا يتمثل محور مقالة AWS هذه في طرح استنتاجات بيولوجية جديدة، بل في وضع خط أنابيب الحوسبة هذا داخل بيئة تعلم آلي سحابية. وبالنسبة إلى تصميم البروتينات، فإن الحجم بحد ذاته يمثل مشكلة: تشير وثائق BoltzGen إلى أنه، في التطبيق العملي، قد يلزم البدء بما بين عشرة آلاف وستين ألف تصميم، وتشغيلها على GPU؛ كما أن أوزان النموذج والبيانات ذات حجم معتبر. والقيمة التي يقدمها SageMaker AI هي تمكين فرق البحث من استخدام موارد حوسبة مُدارة، وحاويات، وسير عمل للتعامل مع هذا النوع من التوليد والفرز بالدفعات، بدلاً من ربط كل خطوة بخادم واحد داخل مختبر واحد.

ومن منظور الاستخدامات الطبية الحيوية، تشمل السيناريوهات المباشرة لهذه الأدوات تصميم روابط بروتينية جديدة، وأجسام نانوية مضادة، وببتيدات حلقية أو محتوية على روابط ثنائية الكبريت، وكذلك جزيئات قد تلتقط جزيئات صغيرة أو مناطق بروتينية غير منتظمة. وقد أفاد فريق BoltzGen في ورقته بأنه اختبر جزيئات مرشحة ضمن عدة أنشطة تصميم بتجارب رطبة، شملت 26 هدفاً؛ ومن بينها تصميم أجسام نانوية مضادة وبروتينات صغيرة لأهداف «أصعب» تفتقر إلى بنى ارتباط قائمة، مع قياس إشارات الارتباط بطرق مثل SPR وBLI. تجعل هذه البيانات النموذج يتجاوز مستوى الصور الحاسوبية فحسب، لكنها تظل أيضاً ضمن مرحلة مبكرة من اكتشاف الجزيئات المرشحة.

ما ينبغي التمييز بينه هو أن التسريع السحابي لا يعني القابلية للاستخدام السريري. يمكن لنماذج الذكاء الاصطناعي أن تختصر الوقت اللازم لاقتراح الجزيئات المرشحة، لكنها لا تستطيع أن تحل محل التعبير البروتيني، والتنقية، وتأكيد الألفة، والنوعية، والسلامة، وتقييم الحرائك الدوائية داخل الجسم. وحتى إذا أظهر تصميم ما ارتباطاً في تجربة استشعار، فهذا لا يعني أنه يمكن أن يصبح دواءً؛ إذ يجب عليه أيضاً أن يحافظ على استقراره في بيئات بيولوجية أكثر تعقيداً، وأن يتجنب التفاعلات غير المستهدفة، وأن يثبت امتلاكه أثراً بيولوجياً يمكن توقعه.

نظراً إلى أن المعلومات المنشورة هذه المرة تأتي أساساً من الشرح التقني الصادر عن AWS، ومع عدم ظهور تقارير خارجية مستقلة عن الحدث نفسه يمكن استخدامها للتحقق المتقاطع، فإن القراءة الأكثر حذراً هي أن هذه حالة لهندسة أداة رائدة ومفتوحة المصدر لتصميم البروتينات ونقلها إلى السحابة، وليست اختراقاً حققته أي علاجات أو جزيئات. وهي تُظهر أن التصميم البيولوجي التوليدي ينتقل من شيفرة بحثية إلى منصة عمل قابلة للنشر المتكرر؛ أما ثقل الخطوة التالية، فسيظل محمولاً على البيانات التجريبية، وسير عمل الفرز القابل للتتبع، وأبحاث الترجمة الصارمة.