تقترح الطريقة تقنية ذكاء اصطناعي جديدة ، فقط للجزيئات المرشحة التي يمكن إنتاجها بالفعل في المختبر.
تستخدم شركات الأدوية الذكاء الاصطناعي لتبسيط عملية اكتشاف الأدوية الجديدة . يمكن لنماذج التعلّم الآلي أن تقترح جزيئات جديدة لها خصائص محددة يمكنها محاربة أمراض معينة ، والقيام في دقائق بما قد يستغرق شهورًا لتحقيقه يدويًا.
ولكن هناك عقبة كبيرة تعيق هذه الأنظمة : غالبًا ما تقترح النماذجُ بنى جزيئية جديدة يصعب أو يستحيل إنتاجها في المختبر. إذا لم يتمكن الكيميائي فعليًا من صنع الجزيء ، فلا يمكن اختبار خصائصه في مكافحة الأمراض .
نهجٌ جديد من الباحثين في معهد ماساتشوستس للتكنولوجيا يقيّدُ نموذجَ التعلم الآلي لذا فهو يقترح فقط الهياكل الجزيئية التي يمكن تصنيعها . تضمن الطريقة أن الجزيئات تتكون من مواد يمكن شراؤها وأن التفاعلات الكيميائية التي تحدث بين تلك المواد تتبع قوانين الكيمياء .
عند مقارنتها بالطرق الأخرى ، اقترحَ نموذجُهم الهياكلَ الجزيئية التي سجلت درجات عالية وأحيانًا أفضل باستخدام التقييمات الشائعة ، ولكن كانت مضمونة لتكون قابلة للتركيب. يستغرق نظامهم أيضًا أقل من ثانية واحدة لاقتراح مسار اصطناعي ، في حين أن الطرق الأخرى التي تقترح الجزيئات بشكل منفصل ثم تقيِّم قابليتها للتركيب يمكن أن تستغرق عدة دقائق . في مساحة البحث التي يمكن أن تتضمن مليارات الجزيئات المحتملة ، هذا التوفير في الوقت يشكّل إضافة كبيرة .
هذه العملية تعيد صياغة الكيفية التي نطلب بها من هذه النماذج لتوليد بنى جزيئية جديدة. يفكر العديد من هذه النماذج في بناء هياكل جزيئية جديدة ذرة بذرة أو رابطة تلو رابطة. بدلاً من ذلك ، نقوم ببناء جزيئات جديدة من خلال لبنة البناء تلو اللبنة والتفاعل تلو التفاعل "، كما يقول كونور كولي ، أستاذ مساعد التطوير الوظيفي في Henri Slezynger في أقسام معهد ماساتشوستس للتكنولوجيا في الهندسة الكيميائية والهندسة الكهربائية وعلوم الكمبيوتر ، وكبير مؤلفي البحث.
اللبنات
لإنشاء بنية جزيئية ، يحاكي النموذج عملية تخليق جزيء لضمان إمكانية إنتاجه.
يُعطى النموذج مجموعة من لبنات البناء القابلة للتطبيق ، وهي مواد كيميائية يمكن شراؤها ، وقائمة بالتفاعلات الكيميائية الصالحة للعمل معها. قوالب التفاعلات الكيميائية هذه مصنوعة يدويًا بواسطة خبراء. إن التحكم في هذه المدخلات من خلال السماح فقط لمواد كيميائية معينة أو تفاعلات محددة يتيح للباحثين تحديد مدى اتساع مساحة البحث لجزيء جديد .
يستخدم النموذج هذه المدخلات لبناء شجرة عن طريق اختيار اللبنات الأساسية وربطها من خلال التفاعلات الكيميائية ، واحدة تلو الأخرى ، لبناء الجزيء النهائي . في كل خطوة ، يصبح الجزيء أكثر تعقيدًا مع إضافة مواد كيميائية وتفاعلات إضافية .
إنها تُخرج كلاً من التركيب الجزيئي النهائي وشجرة المواد الكيميائية والتفاعلات التي من شأنها أن تصنعها .
"بدلاً من التصميم المباشر لجزيء المنتج نفسه ، نقوم بتصميم تسلسل عمل للحصول على هذا الجزيء. هذا يسمح لنا بضمان جودة الهيكل ، "يقول جاو .
لتدريب نموذجهم ، أدخل الباحثون بنية جزيئية كاملة ومجموعة من اللبنات الأساسية والتفاعلات الكيميائية ، ويتعلم النموذج إنشاء شجرة تصنع الجزيء. بعد رؤية مئات الآلاف من الأمثلة ، يتعلم النموذج ابتكار هذه المسارات الاصطناعية بمفرده.
تحسين الجزيء
يمكن استخدام النموذج المدرب للتحسين . يحدد الباحثون خصائص معينة يريدون تحقيقها في الجزيء النهائي ، مع الأخذ في الاعتبار بعض اللبنات الأساسية وقوالب التفاعل الكيميائي ، ويقترح النموذج بنية جزيئية قابلة للتركيب .
"ما كان مفاجئًا هو المقدار الكبير من الجزيئات التي يمكنك بالفعل إعادة إنتاجه باستخدام مجموعة القوالب الصغيرة هذه . لا تحتاج إلى العديد من الكتل واللبنات البنّاءة لتوليد قدر كبير من المساحة الكيميائية المتاحة للنموذج للبحث "، كما يقول ميركادو.
اختبروا النموذج من خلال تقييم مدى نجاحه في إعادة بناء الجزيئات القابلة للتركيب . كانت قادرة على إعادة إنتاج 51 في المائة من هذه الجزيئات ، واستغرق الأمر أقل من ثانية لإعادة تكوين كل منها .
أسلوبُهم أسرعُ من بعض الطرق الأخرى لأن النموذج لا يبحث في جميع الخيارات لكل خطوة في الشجرة. يشرح جاو أنه يحتوي على مجموعة محددة من المواد الكيميائية وردود الفعل للعمل معها .
عندما استخدموا نموذجهم لاقتراح جزيئات ذات خصائص محددة ، اقترحَت طريقتُهم بنى جزيئية عالية الجودة لها روابط ارتباط أقوى من تلك الموجودة في الطرق الأخرى . هذا يعني أن الجزيئات ستكون أكثر قدرة على الارتباط بالبروتين ومنع نشاط معين ، مثل منع الفيروس من التكاثر .
على سبيل المثال ، عند اقتراح جزيء يمكنه الالتحام بـ SARS-Cov-2 ، اقترح نموذجهم العديد من الهياكل الجزيئية التي قد تكون أكثر قدرة على الارتباط بالبروتينات الفيروسية من المثبطات الموجودة . ومع ذلك ، كما يقر المؤلفون ، هذه مجرد تنبؤات حسابية .
يقول جاو: "هناك الكثير من الأمراض التي يجب معالجتها". "آمل أن تسرّع طريقتُنا هذه العملية حتى لا نضطر إلى فحص مليارات الجزيئات في كل مرة بحثًا عن هدف مرض . بدلاً من ذلك ، يمكننا فقط تحديد الخصائص التي نريدها ويمكنها تسريع عملية العثور على هذا الدواء المرشح ".
يمكن لنموذجهم أيضًا تحسين خطوط ألتوصّل لاكتشاف الأدوية الحالية . يقول ميركادو ، إذا حددت شركة جزيئاً معينًا له خصائص مرغوبة ، ولكن لا يمكن إنتاجه ، فيمكنها استخدام هذا النموذج لاقتراح جزيئات قابلة للتركيب تشبهها إلى حد كبير.
الآن بعد أن تحققوا من صحة نهجهم ، يخطط الفريق لمواصلة تحسين قوالب التفاعل الكيميائي لزيادة تحسين أداء النموذج . باستخدام قوالب إضافية ، يمكنهم إجراء المزيد من الاختبارات على أهداف مَرَضية معينة ، وفي النهاية ، تطبيق النموذج على عملية اكتشاف الدواء .
يقول ماروين سيجلر ، الذي يقود فريقًا يعمل على التعلم الآلي لاكتشاف الأدوية في Microsoft Research Cambridge (المملكة المتحدة) ولم يشارك في العمل، "من الناحية المثالية ، نريد خوارزميات تصمم الجزيئات تلقائيًا وتعطينا شجرة التوليف في نفس الوقت بسرعة" . "هذا النهج الأنيق من قبل الأستاذ كولي وفريقه هو خطوة كبيرة إلى الأمام لمعالجة هذه المشكلة. على الرغم من وجود أعمال سابقة لإثبات المفهوم لتصميم الجزيئات من خلال توليد الشجرة التركيبية ، إلا أن هذا الفريق نجح بالفعل . لأول مرة ، أظهروا أداءً ممتازًا على نطاق ذي مغزى ، لذلك يمكن أن يكون له تأثير عملي في الاكتشاف الجزيئي بمساعدة الكمبيوتر.
العمل مثير للغاية أيضًا لأنه يمكن في النهاية تمكين نموذج جديد لتخطيط التوليف بمساعدة الكمبيوتر. من المحتمل أن يكون مصدر إلهام كبير للبحث المستقبلي في هذا المجال ".
تم دعم هذا البحث ، جزئيًا ، من قبل المكتب الأمريكي للبحوث البحرية واتحاد التعلم الآلي للاكتشافات الصيدلانية والتوليف .
طور باحثو معهد ماساتشوستس للتكنولوجيا نموذجًا للتعلم الآلي يقترح جزيئات جديدة لعملية اكتشاف الدواء ، مع ضمان إمكانية تصنيع الجزيئات التي يقترحها في المختبر.
المصدر