ConvAHKG: رسم بياني هجين للمعرفة قائم على الفعل مع نهج تفافّي ثنائي القناة لإعادة توجيه الأدوية

إيجاد استخدامات جديدة لأدوية قديمة

قد تستغرق عملية طرح دواء جديد بالكامل في السوق أكثر من عقد من الزمن وتكلف مليارات الدولارات، وكثير من المرشحين يفشلون على طول الطريق. تستكشف هذه الدراسة مسارًا اختصاريًا أكثر ذكاءً: استخدام البيانات والذكاء الاصطناعي لاكتشاف أمراض جديدة قد تعالجها أدوية قائمة ومعتمدة بأمان. يقدم المؤلفون إطارًا يُدعى ConvAHKG، يجمع أنواعًا متعددة من المعلومات الطبية الحيوية في خريطة متصلة واحدة ثم يستخدم شبكة عصبية حديثة لاكتشاف أزواج دواء–مرض واعدة—مما يوفر مسارًا أسرع وأرخص إلى علاجات جديدة.

خريطة غنية لتداخل الأدوية والأمراض

في صميم هذا العمل توجد «رسم بياني هجين للمعرفة»، خريطة ضخمة تربط الأدوية والأمراض والبروتينات والآثار الجانبية والتركيبات الكيميائية والمسارات البيولوجية. بدلًا من تخزين روابط نعم/لا بسيطة (مثل «الدواء أ يعالج المرض ب») تسجل الخريطة كيف يؤثر الدواء في بروتين—سواء كان ينشّطَه أو يثبّطه أو يرتبط به—وكيف تشارك البروتينات في الأمراض، مثل كونها مؤشرات حيوية أو تغير نشاطها. يحتوي الرسم البياني على أكثر من 11,000 كيان و59 نوعًا من العلاقات، بما في ذلك معلومات مفصّلة عن تصنيفات الأدوية والآثار الجانبية والتداخلات بين البروتينات والبُنى الكيميائية الجزئية. من خلال التقاط هذه الطبقات المتعددة من السياق، يستطيع الرسم البياني أن يعكس مزيدًا من التعقيد البيولوجي الحقيقي خلف آثار العلاج والتفاعلات الضارة.

تعليم الحاسوب لغة البيولوجيا

لجعل هذه الخريطة المعقدة قابلة للاستخدام في التعلم الآلي، يحول الفريق كل اتصال في الرسم البياني إلى «جملة» بسيطة من ثلاثة أجزاء: رأس (مثل مرض)، علاقة (مثل مؤشر حيوي)، وذيل (مثل بروتين). ثم يطبقون Word2Vec، وهي طريقة طورت في الأصل لمعالجة اللغة الطبيعية، لتعلّم «تضمينات» رقمية لكل دواء ومرض وبروتين. العناصر التي تظهر معًا كثيرًا في هذه الجمل تنتهي متقاربة في هذا الفضاء الرياضي، تمامًا مثل الكلمات التي تشترك في معانٍ متشابهة في النصوص. هذا النهج أبسط بكثير وأسرع من العديد من تقنيات التضمين المخصّصة للرسوم البيانية، ومع ذلك يلتقط أنماطًا دقيقة. في اختبارات مقابل عدة طرق شهيرة لتضمين الرسوم البيانية، طابق Word2Vec أو تفوّق على قدرتها التنبؤية بينما استخدم وقت حسابي أقل بكثير.

مسار عصبي ثنائي لاتخاذ قرار العلاج بنعم/لا

بعد تحويل كل دواء ومرض إلى متجه عددي، يُدخل ConvAHKG هذه المتجهات في شبكة عصبية التفافّية أحادية البعد ذات قناتين. تعالج قناة واحدة متجه الدواء والقناة الأخرى متجه المرض باستخدام سلسلة من مرشحات الالتفاف التي تكتشف أنماطًا محلية ودلائل أوسع، مستوحاة من تصاميم في تعرف الصور مثل InceptionNet وAlexNet. بعد هذا المعالجة المنفصلة، تُدمج القناتان وتمرر خلال عدة طبقات متصلة تمامًا لتنتج احتمالًا واحدًا: هل يمثل هذا الزوج دواء–مرض علاجًا فعالًا محتملًا أم أكثر احتمالًا أن يكون أثرًا جانبيًا ضارًا؟ لمواجهة حقيقة أن الأزواج الإيجابية المعروفة أندر بكثير من السلبية، قدم المؤلفون دالة خسارة موزونة تُعاقب تفويت العلاجات الحقيقية بشدّة أكبر، محسنين الأداء في هذه الحالات الصعبة الاكتشاف.

التفوّق على الطرق الحالية واكتشاف مرشحين للسرطان

اختبر الباحثون إطارهم بدقة مقابل عدة أدوات معاصرة لإعادة توجيه الأدوية تستخدم تحليل المصفوفات، الشبكات العصبية الرسومية، والمشفرات الذاتية العميقة. يحقق ConvAHKG مساحة تحت منحنى ROC مقدارها 0.9836 ومساحة تحت منحنى الدقّة–الاستدعاء مقدارها 0.9686، متفوّقًا على جميع المناهج المنافسة على نفس مجموعة البيانات القياسية. ثم طبقوا النموذج على سرطان الرئة غير صغير الخلايا، الشكل الأكثر شيوعًا وفتكًا من سرطان الرئة على مستوى العالم. يبرز ConvAHKG عدة أدوية لم تُسمَّ سابقًا كعلاجات لهذا المرض، بما في ذلك الجسم المضاد تراستوزوماب الذي يستهدف بروتين HER2 ولديه بالفعل أدلة سريرية داعمة في سرطان الرئة، وكذلك عوامل بيولوجية أخرى وحتى المضاد الحيوي الكلاسيكي بنزيل بنسيلين. تقترح محاكاة الالتحام أن بنزيل بنسيلين قد يرتبط بقوة بالحمض النووي وبإنزيم توبيسوميراز II ألفا، وهو إنزيم غالبًا ما يكون مرتفعًا في هذه الأورام، مما يلمّح إلى آلية مضادة للسرطان تستحق الآن اختبارات مخبرية.

لماذا يهم هذا للمرضى

بعبارات بسيطة، يعمل ConvAHKG كوسيط مطّلع للغاية يقرن بين الأدوية القائمة والأمراض، مستخدمًا خريطة مفصّلة للإجراءات البيولوجية ومحركًا قويًا للتعرّف على الأنماط للتنبؤ بأية أدوية قديمة قد تنجح في ظروف جديدة. من خلال اعتبار الأدوية المختبرة من حيث السلامة كقطع بناء قابلة لإعادة الاستخدام بدلًا من أدوات ذات غرض واحد، يمكن لهذا الإطار أن يسرّع اكتشاف علاجات لحالات مثل سرطان الرئة، خاصة حيث يكون تطوير الأدوية التقليدي بطيئًا أو مكلفًا جدًا. وبينما لا تزال التنبؤات بحاجة إلى تحقق تجريبي وسريري دقيق، تُظهر الدراسة أن الجمع بين معرفة بيولوجية غنية والذكاء الاصطناعي الحديث يمكن أن يضيّق نطاق البحث بشكل حاد، مما يجعل العلاجات المحتملة المنقذة للحياة أقرب في الوصول وبسرعة أكبر.

الاستشهاد: Khodadadi AghGhaleh, M., Abedian, R., Zarghami, R. et al. ConvAHKG: Action-based hybrid knowledge graph with a dual-channel convolutional approach for drug repurposing. Sci Rep 16, 7592 (2026). https://doi.org/10.1038/s41598-026-38656-8

الكلمات المفتاحية: إعادة توجيه الأدوية, رسم بياني للمعرفة, التعلّم العميق, سرطان الرئة, اكتشاف الأدوية