منصة فحص افتراضية مدفوعة بالذكاء الاصطناعي تحدد مرشحين جدد كمثبطات لـ NSUN2 لعلاج السرطان الموجه: نهج حاسوبي لاكتشاف الأدوية

طرق جديدة للتغلب على السرطانات العنيدة

تصبح العديد من السرطانات قاتلة ليس فقط لأنها تظهر، بل لأنها تتعلم التهرب من أفضل أدويةنا. تستكشف هذه الدراسة طريقة واعدة لإيقاف مساعد أساسي لنمو الأورام، باستخدام الذكاء الاصطناعي لتمحيص أكثر من مائة مليون مركب محتمل على الحاسب قبل أن يُخلط أي منها في أنبوب اختبار حقيقي.

مفتاح مخفي داخل خلايا السرطان

في عمق خلايانا، يعمل إنزيم يسمى NSUN2 مثل مميّز كيميائي للحمض النووي الريبوزي (RNA)، الجزيء الذي يساعد في تحويل الجينات إلى بروتينات. من خلال إضافة علامات كيميائية صغيرة إلى الحمض النووي الريبوزي، يمكن لـ NSUN2 جعل الرسائل المرتبطة بالنمو أكثر استقرارًا وأسهل قراءة. تقوم العديد من الأورام، بما في ذلك سرطانات الرئة والمعدة والبنكرياس والثدي، بزيادة مستويات NSUN2، مما يعزز قدرتها على الانقسام والانتشار والمقاومة للأدوية الموجهة. ومع ذلك، رغم أهميته، هناك عدد قليل جدًا من مرشحات الأدوية التي يمكنها خفض نشاط NSUN2 بأمان، وخصوصًا المرشحات القابلة للانعكاس التي لا تتلف الإنزيم بشكل دائم.

السماح للذكاء الاصطناعي ببحث بحر الجزيئات

سيواجه اكتشاف الأدوية التقليدي صعوبة في اختبار ملايين الجزيئات ضد NSUN2 في المختبر، لأن كل تجربة تتطلب خلطات معقدة من الحمض النووي الريبوزي والمواد المساعدة. بدلًا من ذلك، بنى الباحثون خط أنابيب رقمي بالكامل. بدأوا من شكل ثلاثي الأبعاد متوقع لـ NSUN2 البشري مولَّد بواسطة AlphaFold، نظام ذكاء اصطناعي أحدث ثورة في توقع البنى. وللتأكد من مصداقية هذا النموذج، قاموا بمحاذاته مع إنزيم ذي صلة وثيق تُعرف بنيته من دراسات بالأشعة السينية. بدا أن الجيب الحرج حيث يرتبط NSUN2 بجزيئه المساعد الطبيعي محفوظ بقوة، مما منح الفريق ثقة بأن الإرساء الافتراضي للمركبات المحتملة في هذا الموضع سيكون ذا معنى.

من مئات الملايين إلى قلة مختارة

مع تحديد الجيب المستهدف، توجه الفريق إلى قاعدة بيانات عامة هائلة للجزيئات المتاحة للشراء. أولًا أجروا إرساءً لمجموعة تدريب من المركبات في جيب NSUN2 واستخدموا الدرجات الناتجة لتعليم نموذج تعلم آلي أي الأشكال كانت الأكثر وعدًا. ثم قام ذلك النموذج بفحص سريع لحوالي 350 مليون جزيء ووضع علامة على نحو 101 مليون منها كـ "طفح محتمل". لتضييق المجال أكثر، أعيد إرساء القسم الأعلى بحسابات أكثر دقة، ولم يُحتفظ سوى بأفضل 12,000 ذات ارتباط متوقع قوي. ثم خضعت هذه المركبات لسلسلة من فحوصات السلامة الحاسوبية التي قدّرت كيفية امتصاص الجسم وتوزيعه وتحلله وتحمله لكل مرشح. بعد هذه المرشحات، بقي 34 جزيئًا فقط بدا أنها قوية ولديها خصائص صالحة كدواء.

مراقبة الأدوية المرشحة أثناء الحركة

اللقطات الثابتة لا تكفي لمعرفة ما إذا كان الدواء سيظل مرتبطًا بالفعل بالهدف. لذلك استخدم الباحثون محاكاة الديناميكيات الجزيئية، التي تمثل حركة الذرات عبر الزمن، لمراقبة تفاعل أفضل ثلاثة مرشحين مع NSUN2 على مدى 50 مليار جزء من الثانية. شكل مركبان، معرفان فقط بأكواد قواعد البيانات الخاصة بهما، معقدات مستقرة بشكل خاص: بقيت بنية الإنزيم مدمجة، وظلت مناطقه الأساسية ثابتة بدلاً من أن تكون مترهلة، وبقيت الجزيئات الصغيرة ملائمة بشكل محكم داخل الجيب بينما كونت تواصلات مستمرة. تشير هذه المحاكاة إلى أن هذين المركبين قد يثبطان نشاط NSUN2 بشكل موثوق في خلايا حقيقية.

ماذا قد يعني ذلك للعلاجات المستقبلية

على الرغم من أن كل نتيجة في هذا العمل مشتقة من الحسابات وتحتاج بعد إلى إثبات مخبري، تقدم الدراسة قائمة قصيرة من نقاط انطلاق واقعية لأدوية جديدة تمنع NSUN2. وبما أن NSUN2 يساعد خلايا السرطان على تثبيت إشارات النمو والبقاء، فقد تضعف مثل هذه الأدوية الأورام وقد تعيد حساسيتها للعلاجات الموجهة الحالية، لا سيما في سرطانات الرئة التي أصبحت مقاومة. والأهم من ذلك، تعرض الدراسة وصفة عامة لاستخدام الذكاء الاصطناعي والنمذجة المبنية على الفيزياء لاستكشاف فضاءات كيميائية هائلة بسرعة وبتكلفة منخفضة، ما يوفر طريقًا مختصرًا قويًا نحو الجيل القادم من علاجات السرطان الدقيقة.

الاستشهاد: Yu, S., Peng, Q., Wei, W. et al. AI-driven virtual screening platform identifies novel NSUN2 inhibitor candidates for targeted cancer therapy: a computational drug discovery approach. npj Precis. Onc. 10, 98 (2026). https://doi.org/10.1038/s41698-026-01296-2

الكلمات المفتاحية: NSUN2, علم الطفرة ما بعد النسخ (epitranscriptomics), الفحص الافتراضي بالذكاء الاصطناعي, اكتشاف أدوية السرطان, ميثلة الحمض النووي الريبوزي