تحسين التنبؤ بعلاقات الدواء والمرض من خلال دمج بيانات متعددة الوسائط ودمج ميزات شاملة محلية موجهة بمسارات ميتا

لماذا يهم إيجاد استخدامات جديدة لأدوية قديمة

تطوير دواء جديد من الصفر عملية بطيئة ومحفوفة بالمخاطر ومكلفة للغاية. ومع ذلك، هناك في صيدليات اليوم العديد من الأدوية التي قد تساعد أيضًا في علاج أمراض أخرى، لو استطعنا اكتشاف تلك الاستخدامات الإضافية. تعرض هذه الدراسة MedPathEx، نهجًا حاسوبيًا ينقّب في مجموعات كبيرة من البيانات الحيوية للتنبؤ بأي الأدوية الحالية من المحتمل أن تكون فعّالة ضد أي أمراض، مما قد يسرّع البحث عن علاجات جديدة ويستغل الأدوية الموجودة بشكل أفضل.

جمع أدلة متعددة في خريطة واحدة كبيرة

اعتمدت معظم الأدوات السابقة لمطابقة الأدوية بالأمراض على نوع واحد فقط من المعلومات — على سبيل المثال، مدى تشابه بنية جزيئات الدواء، أو مدى قرب مرضين في السجلات الطبية. تنطلق MedPathEx من فكرة أن أي دليل فردي غير كافٍ. بنى المؤلفون «خريطة» كبيرة تربط بين ثلاثة أنواع من العناصر: أدوية، أمراض، وجينات. فوق هذه الروابط وضعوا طبقات من الأدلة المتعددة: كيفية تركيب الجزيئات الدوائية، تصنيفها العلاجي، الآثار الجانبية التي تسببها، كيفية ظهور الأمراض لدى المرضى وفي اللغة الطبية، وما هو معروف عن وظيفة الجينات. من خلال نسج كل هذه المعلومات متعددة الوسائط داخل شبكة غير متجانسة، يُوصَف كل دواء ومرض وجين بطريقة أغنى وأكثر واقعية من ذي قبل.

رؤية الحي والقَرن بأكمله

عند النظر إلى مثل هذه الخريطة الضخمة، يبرز تحدٍ في تحديد الأنماط المهمة. تتعامل MedPathEx مع ذلك بدمج منظورين مكملين للشبكة. أولاً، تُقرب النظر على الأحياء المحلية، متتبعة مسارات قصيرة ومعنوية — على سبيل المثال، دواء → جين → مرض — لالتقاط كيف قد تربط جينات محددة دواءً بمرض. تُبرز هذه المسارات النمطية، المسماة مسارات ميتا، علاقات دقيقة المدى. ثانيًا، تُبعد الطريقة النظرة لتأخذ الصورة العالمية في الحسبان، ما يسمح لكل عقدة «بالانتباه» إلى العديد من العقد الأخرى عبر الخريطة بأكملها. تلتقط هذه النظرة العالمية للانتباه اتجاهات أوسع واتصالات بعيدة المدى التي قد تُفقد عند اتباع المسارات المحلية فقط.

مزج وجهات النظر المختلفة إلى إشارة واحدة

لتحويل هذه وجهات الشبكة إلى تنبؤات، تستخدم MedPathEx تقنيات شبكات عصبية حديثة لتحويل الخريطة المعقَّدة إلى بصمات رقمية مدمجة لكل دواء ومرض وجين. يتعلم جزء من النموذج من رسوم التشابه المبنية داخل كل نوع (دواء–دواء، مرض–مرض، جين–جين). يركز جزء آخر على أحياء مسارات الميتا المحلية، بينما يلتقط جزء ثالث البنية العالمية للشبكة بأكملها. يتعلم النموذج بعد ذلك مقدار الوزن الذي يُعطى لكل من هذه المصادر ويدمجها في تمثيل موحد ومجمَّع لكل عقدة. عندما يقارن النظام البصمات المجمَّعة لدواء ومرض معينين، يُخرج درجة تعكس مدى احتمال أن يكون الزوج مرتبطًا فعليًا في العالم الحقيقي.

اختبار الأداء واستكشاف ما يهم

اختبر الباحثون MedPathEx باستخدام قواعد بيانات عامة تُسجّل مئات الآلاف من الروابط المعروفة بين آلاف الأدوية والأمراض والجينات. في تقييم صارم بخمس طيّات متقاطع، تفوق MedPathEx على مجموعة من الأساليب المنافسة، بما في ذلك طرق تعلم الآلة الكلاسيكية وبعض النماذج المتقدمة القائمة على الرسوم البيانية. كانت مقاييس الدقة مثل AUC، والمتوسط المرجح للدقة، ومقياس F1 أعلى جميعها، ما يدل على أن الطريقة تفصل بشكل أكثر موثوقية الأزواج الحقيقية للدواء–المرض عن الأزواج الزائفة. عندما أُزيحت مكوّنات من النموذج واحدًا تلو الآخر، انخفض الأداء، خاصةً عند إزالة إما منظور مسارات الميتا المحلية أو منظور الانتباه العالمي، مما يؤكد أن كلا المنظورين أساسيان. كما أظهرت التحليلات أن معلومات مسارات الميتا المحلية تساهم أكثر، في حين تقدم الخصائص العالمية وخصائص التشابه تحسينات مهمة.

أمثلة عملية في أمراض القلب وارتفاع ضغط الدم

بعيدًا عن الأرقام، تحقق المؤلفون مما إذا كانت الاقتراحات الأعلى ترتيبًا من MedPathEx لحالتين شائعين — مرض الشريان التاجي وارتفاع ضغط الدم — تتوافق مع ما هو معروف من الأدبيات الطبية. لكل مرض، اقترح النظام عدة أدوية، بعضها مستخدم بالفعل سريريًا لمشكلات قلبية ذات صلة، مما يعزز مصداقية النهج. والبعض الآخر مرشح أقل وضوحًا إلا أن له روابط بيولوجية، مثل التأثير على الالتهاب أو وظيفة الأوعية الدموية أو تراكم اللويحات في الشرايين. توضح مخططات الشبكة للأدوية والجينات والأمراض كيف قد تؤثر هذه الأدوية على مسارات مرتبطة بالمرض، مشيرة إلى آليات معقولة يمكن استكشافها في دراسات مخبرية أو سريرية.

ماذا يعني هذا للأدوية المستقبلية

بعبارة بسيطة، تُظهر MedPathEx أنه بدمج مصادر عديدة من البيانات الحيوية والنظر في الأنماط المحلية والعالمية لكيفية ارتباط الأدوية والجينات والأمراض، يمكن للحواسيب أن تكون أدق في تقدير الأدوية التي قد تساعد أمراضًا معينة. ومع أن هذه الأداة لا تُغني عن التجارب السريرية أو الاختبارات في العالم الحقيقي، فإنها تستطيع تضييق فضاء البحث الهائل وتسليط الضوء على مرشحين واعدين — خاصة للأمراض المعقدة مثل أمراض القلب وارتفاع ضغط الدم. ومع توافر بيانات بيولوجية أكثر تفصيلاً وزيادة التحقق من مثل هذه النماذج، يمكن أن تصبح طرق مثل MedPathEx شريكًا قويًا في السعي لإعادة توظيف الأدوية القائمة وتصميم استراتيجيات علاجية أكثر كفاءة.

الاستشهاد: Wu, S., Wang, W., Jiao, H. et al. Enhanced drug disease association prediction through multimodal data integration and meta path guided global local feature fusion. Sci Rep 16, 11038 (2026). https://doi.org/10.1038/s41598-026-36223-9

الكلمات المفتاحية: إعادة توظيف الأدوية, روابط الدواء–المرض, شبكات غير متجانسة, شبكات عصبية بيانية, اكتشاف الأدوية الحسابي