الذكاء الاصطناعي وتطوير الأدوية · global
هل يمكن التنبؤ بخصائص الجزيئات حتى مع قلة البيانات التجريبية؟ MIT يستكشف فرز الأدوية الجديدة باستخدام CheMeleon
من خلال تعلّم الخصائص الجزيئية القابلة للحساب أولًا، ثم ضبط النموذج باستخدام قدر قليل من البيانات التجريبية، يحاول CheMeleon تحسين التنبؤ في المراحل المبكرة من اكتشاف الأدوية الجديدة. وتدعم نتائج 58 مجموعة بيانات مرجعية هذا النهج، لكن إثبات قدرته على رفع معدل النجاح الفعلي في البحث والتطوير لا يزال يتطلب مزيدًا من العمل.
عندما يعثر الباحثون للتو على بروتين قد يكون مرتبطًا بمرض، غالبًا ما لا يعرفون بعد أي الجزيئات تستحق استثمار الوقت في تخليقها واختبارها. وفي هذه المرحلة، تكون الحاجة إلى أدوات التنبؤ أشد، بينما تكون البيانات التجريبية المتاحة في أدنى مستوياتها أيضًا. ويستهدف CheMeleon، الذي عرضه معهد ماساتشوستس للتكنولوجيا (MIT) في 6 نوفمبر، هذه المعضلة تحديدًا: إذ يتيح للنموذج تعلّم الخصائص الأساسية لعدد كبير من الجزيئات أولًا، ثم المساعدة في تقدير النشاط البيولوجي للمركبات المرشحة أو سميتها أو قابليتها للذوبان.
نُشرت نتائج هذا العمل المشترك بين باحثين من MIT وباسف (BASF) في 14 سبتمبر في دورية «Journal of Chemical Information and Modeling». وأجرى الفريق تقييمًا باستخدام 58 مجموعة بيانات مرجعية مرتبطة باكتشاف أدوية الجزيئات الصغيرة؛ ويشير ملخص الدراسة المنشور في الدورية إلى أن المقارنات الإحصائية تدعم تفوق CheMeleon على الأساليب التقليدية، مثل الغابات العشوائية التي تستخدم البصمات الجزيئية أو الواصفات مدخلاتٍ لها، وكذلك على النماذج التأسيسية القائمة. لكن ذلك يعكس تفوقًا إجماليًا ضمن ظروف الاختبار، ولا يمكن تفسيره على أنه قدرة على التنبؤ الدقيق بكل خاصية.
ينطلق CheMeleon من «الواصفات الجزيئية» التي يستخدمها الكيميائيون منذ زمن، وهي خصائص يمكن حسابها من البنية، مثل الوزن الجزيئي وعدد ذرات الأكسجين. ووفقًا لشرح MIT، استخدم الباحثون نحو مليون جزيء ونحو 1,600 واصف في التدريب المسبق، ليتعلم النموذج العلاقة بين البنية الجزيئية وهذه الخصائص. ويمكن الحصول على تسميات التدريب من هذا النوع عن طريق الحساب، مما يقلل اعتماد التدريب المسبق على القياسات التجريبية المكلفة.
بعد إتمام هذه الجولة من التعلم، يُضبط النموذج، الذي يضم نحو 10 ملايين معلمة، ضبطًا دقيقًا باستخدام بيانات خاصة بمهمة محددة. وفي اكتشاف الأدوية، يتمثل استخدامه في المساعدة على ترتيب أولويات التجارب: فعندما لا تتوافر لهدف جديد سوى قياسات قليلة للنشاط، أو تكون بيانات قابلية الجزيئات المرشحة للذوبان محدودة، يأمل الباحثون أن يساعدهم في تضييق نطاق الجولة التالية من الاختبارات. أما قدرته على الحفاظ على هذا التفوق عبر بُنى كيميائية وظروف تجريبية مختلفة، فلا تزال تتطلب التحقق في كل حالة على حدة.
وقد ظهرت أيضًا مؤشرات على استخدام هذا البحث في المسابقات. فقد نقل MIT عن فريق البحث أن 9 من بين أفضل 20 حلًا مشاركًا في مسابقة OpenADMET استخدمت CheMeleon ضمن سير عملها. ويُظهر ذلك إمكانية إدراج النموذج في أعمال التنبؤ لدى فرق أخرى، لكن الترتيب يعكس الحلول المشاركة بكاملها، ولا يمكن عزل مساهمة CheMeleon نفسه استنادًا إلى هذا الرقم وحده.
أُتيحت هذه الطريقة علنًا قبل نشرها في الدورية: إذ ظهرت النسخة الأولية من الدراسة على الإنترنت لأول مرة في يونيو 2025، ثم نُقحت في فبراير 2026. ويوفر مستودع الشيفرة العام الخاص بالمؤلفين الشيفرة اللازمة لإعادة إنتاج الدراسة، إلى جانب روابط لبيانات التدريب وأوزان النموذج؛ ويمكن للمستخدمين إجراء ضبط دقيق للنموذج عبر ChemProp، أو توليد تمثيلات للخصائص الجزيئية مباشرة لاستخدامها في تحليلات أخرى. وتتيح هذه الموارد العامة للفرق الخارجية فرصة فحص النتائج واختبار مدى ملاءمة النموذج لبياناتها الخاصة.
لا يزال التركيز الأساسي للأدلة الحالية منصبًا على التنبؤ بالخصائص الجزيئية. فلم تثبت الاختبارات المرجعية ونتائج المسابقات بعد مقدار ما يمكن أن تختصره هذه الأداة من وقت البحث والتطوير، أو ما يمكن أن تخفضه من تكاليف، أو مدى قدرتها على زيادة احتمال وصول الأدوية المرشحة إلى المرحلة السريرية؛ كما لا يمكن اعتبار التنبؤ بالسمية استنتاجًا مباشرًا بشأن السلامة لدى البشر. وبالنسبة إلى فرق البحث والتطوير، يتمثل السؤال الحاسم التالي في ما إذا كانت الجزيئات المختارة بناءً على توصيات النموذج ستواصل تحقيق نتائج أفضل في التجارب اللاحقة.