التكنولوجيا الحيوية · global
DrugGen-2 يضع سياق المرض داخل تصميم الجزيئات، واكتشاف الأدوية بالذكاء الاصطناعي يقترب أكثر من موقع علم الأمراض
تقترح هذه المسودة البحثية غير الخاضعة بعد لمراجعة الأقران نموذجا توليديا لا يكتفي بالنظر إلى الهدف البروتيني، بل يدمج المرض نفسه أيضا؛ ولا تكمن قيمته في إعلان ولادة دواء جديد، بل في التذكير بأن تصميم الأدوية بالذكاء الاصطناعي يجب أن يواجه سياقات بيولوجية أكثر تعقيدا.
لا تعمل الجزيئات الدوائية في فراغ. فالهدف البروتيني نفسه، عندما يوجد في أمراض مختلفة، أو في حالات التهاب نسيجي مختلفة، أو في بيئات أيضية مختلفة، قد يترتب عليه معنى علاجي مختلف تماما. تقترح مسودة بحثية نُشرت في arXiv في 9 يوليو DrugGen-2، في محاولة لإدخال هذا المستوى من سياق المرض في سير عمل الذكاء الاصطناعي التوليدي لتصميم الجزيئات الصغيرة، بحيث لا يجيب النموذج فقط عن سؤال «أي جزيء قد يلتصق بهذا البروتين»، بل يبدأ أيضا في التعامل مع سؤال «لماذا يهم هذا الهدف في هذا المرض».
يصف فريق البحث أن DrugGen-2 يستند إلى نموذج GPT-2 مدرب مسبقا، ثم جرى ضبطه دقيقا باستخدام بيانات منظمة تربط بين الأدوية المعتمدة، والأمراض، والأهداف البروتينية. تتضمن مدخلات النموذج في الوقت نفسه معلومات أنطولوجيا المرض وتسلسل البروتين الهدف، أما المخرجات فهي جزيئات صغيرة مرشحة؛ وتبدأ عملية التدريب بضبط دقيق خاضع للإشراف، ثم تستخدم group relative policy optimization للتعلم المعزز، مع دالة مكافأة تشمل الصلاحية الكيميائية، والجدة، والتنوع، وألفة الارتباط المتوقعة.
يستهدف هذا التصميم مشكلة قديمة في اكتشاف الأدوية: فالكثير من أدوات توليد الجزيئات بمساعدة الحاسوب تركز على الهدف أو خصائص الجزيء، ولا تعالج خلفية المرض بوضوح كاف. وبالنسبة إلى أمراض متعددة العوامل مثل اعتلال الكلى السكري، تشمل العملية المرضية توتر الأوعية الدموية، والالتهاب، والتليف، والضغط الأيضي، ولا تكفي درجة ارتباط جزيء بهدف واحد لتمثيل القيمة السريرية. وتتمثل دعوى DrugGen-2 في جعل النموذج يضع علاقة المرض بالهدف ضمن الشروط منذ مرحلة التوليد.
في الاختبارات الواردة في المسودة البحثية، قيّم الباحثون النموذج باستخدام 5 أهداف بروتينية مرتبطة باعتلال الكلى السكري، وقارنوه بنماذج معيارية مثل DrugGPT وDrugGen. ويذكر ملخص الورقة أن DrugGen-2 تفوق على النماذج المقارنة في توليد جزيئات فريدة، والتنوع البنيوي، والتشابه البنيوي مع الأدوية المعتمدة، وكذلك في أداء الارتباط المتوقع. كما أظهر تحليل الالتحام الجزيئي أن بعض الليغاندات المرشحة امتلكت ألفة متوقعة أعلى من الأدوية المرجعية؛ فعلى سبيل المثال، أظهر جزيء مرشح يستهدف الإنزيم المحول للأنجيوتنسين أداء أفضل من enalapril في تحليل النموذج.
مع ذلك، تظل هذه النتائج أدلة على مستوى حسابي. يمكن للالتحام الجزيئي وألفة الارتباط المتوقعة أن يساعدا في ترتيب المرشحات، لكنهما لا يحلان محل التجارب خارج الجسم الحي، أو النماذج الخلوية، أو تقييم الفاعلية والسمية في الحيوانات، ولا يمكنهما بالتأكيد استنتاج الفاعلية في البشر مباشرة. وبالأخص لأن اعتلال الكلى السكري ينطوي على مسار مرضي مزمن طويل الأمد ومراضات مصاحبة متعددة، فإن الدواء القابل للاستخدام فعليا يجب أن يجتاز أيضا حواجز عديدة تشمل الامتصاص، والتوزيع، والأيض، والإطراح، ومخاطر التأثيرات خارج الهدف، والسلامة.
لذلك فإن أهمية هذه الدراسة أقرب إلى تقدم منهجي منها إلى إعلان اختراق علاجي. إذا استطاعت أنطولوجيا المرض وتسلسل الهدف بالفعل تحسين جودة الجزيئات المرشحة بصورة مستقرة، فقد ينتقل تصميم الأدوية بالذكاء الاصطناعي مستقبلا من «التوجه نحو الهدف» خطوة أخرى باتجاه «التوجه نحو سياق المرض». لكن بيانات المسودة البحثية محدودة، وهي لم تخضع بعد لمراجعة الأقران؛ والسؤال الحاسم هو ما إذا كان DrugGen-2 قادرا على الحفاظ على تفوقه عبر أمراض أوسع، وأهداف أكثر، وتحقق تجريبي، لينتقل من عرض خوارزمي إلى أداة في تطوير الأدوية.