نموذج أساس قابل للتوسع وبدقة كمية لحقول القوى الديوكُلرية الحيوية عبر الانتباه الرباعي الموتر الخطي

لماذا تهم أفلام الجزيئات الأسرع

يعتمد اكتشاف الأدوية وتصميم المواد الحديثان بشكل متزايد على «أفلام» حاسوبية للجزيئات وهي تلتف وتنكسر وتتفاعل. تكشف هذه المحاكيات كيف يستقر دواء داخل جيب بروتيني أو كيف يتصرف مادة جديدة تحت الإجهاد. لكن أدوات اليوم تجبر العلماء على الاختيار: إما طرق سريعة تقطع الزوايا على حساب الدقة، أو حسابات كمومية فائقة الدقة لكنها بطيئة جدًا لأنظمة معقدة وواقعية. تقدم هذه الورقة LiTEN ونموذج حقل القوى LiTEN-FF، نهج ذكاء اصطناعي جديد يهدف لتقديم دقة بمستوى الكم بسرعات مناسبة للنمذجة الجزيئية اليومية.

مشكلة نماذج الجزيئات الحالية

تقع المحاكيات الجزيئية التقليدية في معسكرين. تعالج حقول القوى الكلاسيكية الذرات كخرزات متصلة بنوابض بمعاملات ثابتة. تعمل بسرعة ويمكنها التعامل مع بروتينات كبيرة أو مقاييس زمنية طويلة، لكنها تواجه صعوبة في التقلبات الطفيفة للأشكال، وإعادة ترتيب الروابط، ومسارات التفاعل المهمة للكيمياء الحقيقية. تصف الطرق الكمومية، بالمقابل، الإلكترونات صراحةً ويمكنها التقاط تكسر وتكوين الروابط بدقة. ومع ذلك، فهي متطلبات حسابية كبيرة لدرجة أنها عادة ما تقتصر على جزيئات صغيرة أو محاكيات قصيرة جدًا. خلال السنوات القليلة الماضية ظهرت طرق تعلم الآلة كطريق وسط، تتعلم تقليد الحسابات الكمومية. ومع ذلك، تفتقر العديد من هذه النماذج إما إلى الصرامة الفيزيائية المطلوبة للموثوقية أو تصبح بطيئة جدًا عند توسيعها إلى جزيئات حيوية كبيرة وواقعية.

طريقة جديدة لتعليم الذكاء الاصطناعي أشكال الجزيئات

يتصدى LiTEN لهذا التحدي من خلال إعادة تصميم طريقة «إحساس» الشبكة العصبية بالهندسة الجزيئية. بدلاً من النظر فقط إلى المسافات الزوجية البسيطة بين الذرات، يبني LiTEN معلومات عن أنماط ثلاثية ورباعية الذرات التي تتحكم بالزوايا والالتواءات في الجزيء. والأهم من ذلك، يفعل ذلك مع احترام التماثلات الفيزيائية الأساسية: إذا قمت بتدوير أو تحريك الجزيء في الفضاء، تبقى الطاقة المتوقعة نفسها، والقوى المتوقعة تدور بشكل مناسب. الابتكار الأساسي، المسمى الانتباه الرباعي الموتر، يتيح للنموذج التقاط تفاعلات الانحناء والالتواء المعقدة باستخدام عمليات متجهية فعالة بدلاً من رياضيات متخصصة وثقيلة. هذا يحافظ على قابلية التوسع الحاسوبية، بحيث يمكن التعامل مع تأثيرات الكثير من الأجسام التي عادة ما تبطئ النماذج المتقدمة بتكلفة تزداد خطيًا فقط مع حجم النظام.

من التدريب على بيانات كمومية إلى جزيئات حيوية حقيقية

بناءً على هذه البنية، يبني المؤلفون LiTEN-FF، وهو «نموذج أساس» لقوى الجزيئات. يدربونه أولاً على مجموعة بيانات ضخمة من الكيمياء الكمومية تضم ملايين الجزيئات الشبيهة بالأدوية، ثم ينقحونه على مجموعة أصغر لكنها أعلى دقة تتضمن ببتيدات، وهياكل مذابة، وعناصر متنوعة مثل الهالوجينات والمعادن. يسمح هذا التدريب ذو المرحلتين للنموذج بتعلم تغطية كيميائية واسعة وتفاصيل دقيقة في الوقت نفسه. في اختبارات معيارية قياسية تقارن الطاقات والقوى المتوقعة بنتائج كمومية عالية المستوى، يضاهي LiTEN أو يتفوق على النماذج الرائدة على جزيئات صغيرة وصلبة وأنظمة أكبر ذات صلة بيولوجية. يحافظ على الدقة حتى مع ازدياد عدد الذرات إلى المئات، مع استخدام ذاكرة أقل وتشغيل أسرع من العديد من البدائل الشائعة.

توظيف النموذج في الكيمياء المحاكية

بعيدًا عن الاختبارات الثابتة، يقيم الفريق LiTEN-FF في مهام تحاكي سير العمل البحثي الحقيقي. بالنسبة للجزيئات الشبيهة بالأدوية، يمكنه تحسين الأشكال بحيث تتطابق البنى الناتجة تقريبًا تمامًا مع تلك من حسابات كمومية متطلبة، ولكن أسرع آلاف المرات. في محاكيات الديناميكيات الجزيئية، يعيد كيف تتقلب أطوال الروابط والزوايا مع الزمن، متتبعًا عن كثب المحاكيات المعتمدة على الكم. كما يتفوق في التنبؤ بكيفية تغير الطاقة عند دوران الجزيء حول رابطة رئيسية، وهو مكوّن حاسم لالتقاط التفضيلات التضاعفية في تصميم الأدوية. في الماء السائل وفي ببتيدات قصيرة مذابة في الماء، يولّد LiTEN-FF خصائص بنيوية وترموديناميكية تتفق جيدًا مع التجارب والنماذج المرجعية الأكثر تكلفة، مع تسريع يصل إلى عشرة أضعاف على الأنظمة الكبيرة.

تسريع البحث عن الأشكال المفيدة

يستعرض المؤلفون أيضًا خط أنابيب عملي للبحث عن الكونفورمر مبني حول LiTEN-FF. من خلال تشغيل دورات متكررة من الديناميكيات بدرجات حرارة عالية، والتبريد، والتنقيح الهندسي السريع، يولد النموذج مجموعات غنية من الأشكال المتميزة منخفضة الطاقة للجزيئات الدوائية المعقدة. بالمقارنة مع سير عمل يعتمد على الكم مستخدم على نطاق واسع، يجد هذا النهج المدفوع بالذكاء الاصطناعي كونفورمرات أكثر تنوعًا في أقل من نصف الوقت. علاوة على ذلك، لأن LiTEN-FF يمكنه معالجة العديد من الجزيئات بالتوازي دون ارتفاع تكاليف متناسبة، يصبح قويًا بشكل خاص لحملات الفرز واسعة النطاق التي يجب تقييم آلاف المرشحين فيها.

ماذا يعني هذا لمستقبل تصميم الأدوية والمواد

في جوهرها، يوفر LiTEN-FF محركًا جديدًا للمحاكاة الجزيئية يقرب موثوقية المستوى الكمومي من سهولة الاستخدام اليومي. من خلال ترميز هندسة الزوايا والالتواءات مباشرة داخل شبكة عصبية فعالة، يضيق الفجوة بين حقول القوى السريعة لكن التقريبية والحسابات الكمومية البطيئة لكن الدقيقة. للمستخدمين غير المتخصصين، الخلاصة هي أن الباحثين قد يتمكنون قريبًا من إجراء «تجارب» جزيئية حاسوبية أكثر واقعية، بمقاييس وسرعات تتوافق مع اكتشاف الأدوية وتطوير المواد الحديثين. إذا تم تبنيها على نطاق واسع ومزيد تنقيحها، يمكن أن تصبح النماذج ضمن هذه العائلة مكونات أساسية في خطوط أنابيب آلية تقترح وتختبر وتنقح جزيئات جديدة قبل أن تُصنّع في المختبر.

الاستشهاد: Su, Q., Zhu, K., Gou, Q. et al. A scalable and quantum-accurate foundation model for biomolecular force fields via linearly tensorized quadrangle attention. Nat Commun 17, 3639 (2026). https://doi.org/10.1038/s41467-026-70377-4

الكلمات المفتاحية: المحاكاة الجزيئية, حقول القوى بتعلم الآلة, اكتشاف الأدوية, نمذجة الجزيئات الحيوية, الكيمياء الكمومية