تمكين اكتشاف الأدوية متعددة الأهداف عبر تحسين تطوري كامن وأولوية واعية بالتصنيع (EVOSYNTH)

لماذا يهم تصميم أدوية أذكى

العديد من الأمراض الخطيرة، من مرض ألزهايمر إلى سرطان المبيض، لا تنشأ من بروتين واحد معطوب بل من شبكات كاملة من المسارات المختلة. علاج مثل هذه الحالات بدواء واحد يستهدف بروتيناً واحداً غالباً ما يكون غير كافٍ، بينما قد يؤدي إعطاء مرضى أدوية متعددة إلى آثار جانبية سامة وجداول جرعات معقدة. تقدم هذه الدراسة EVOSYNTH، إطاراً حاسوبياً يهدف إلى تصميم جزيئات مفردة قادرة على استهداف عدة بروتينات مرتبطة بالمرض بأمان وفعالية في الوقت نفسه — والأهم من ذلك — أن يكون من الممكن فعلاً تصنيعها في المختبر من قبل الكيميائيين.

من الهدف الواحد إلى عدة مفاتيح

لطالما سعى اكتشاف الأدوية التقليدي وراء مركبات «الرصاصة السحرية» التي ترتبط بإحكام ببروتين واحد وتترك الباقي بسلام. ومع مرور الوقت، اتضح أن هذا النهج يواجه صعوبات في الأمراض المعقدة التي تنطوي على دورات تغذية راجعة متعددة ومسارات احتياطية. إضافة أدوية أكثر — استراتيجية التعدد الدوائي — قد تحسن التغطية لكنها ترفع مخاطر تداخلات دوائية خطيرة وسلوك لا يمكن التنبؤ به في الجسم وخطط علاج مرهقة. توفر الأدوية متعددة الأهداف مساراً وسطاً: جزيء واحد مصمم بعناية يعدل عدة بروتينات رئيسية في آن واحد، ويفضل أن يعيد توازن شبكة كاملة نحو الصحة. التحدي هو أن العثور على مثل هذه الجزيئات، وضمان بقاءها عملية للتصنيع، أمر شديد الصعوبة عند العمل يدوياً.

محرك تطور رقمي للجزيئات

يتناول EVOSYNTH هذا التحدي بمعاملة المرشحين المحتملين كأنهم مجموعة يمكن أن «تتطور» داخل الحاسوب. بدلاً من تغيير جزيئات حقيقية في أنبوب اختبار، يعمل النظام في فضاء مجرد ومضغوط يقوم بترميز بنية كل جزيء وسلوكه المتوقع تجاه أهداف بروتينية مختلفة. يتعلم نموذج عصبي متخصص هذا الفضاء بحيث تمثل النقاط القريبة عادةً جزيئات ذات نشاط متعدد الأهداف مشابه. ثم يلعب عملية الانتشار دور الطفرة، محدثة اضطراباً لطيفاً في هذه النقاط لتوليد جزيئات افتراضية جديدة. بعد كل جولة، تُقيَّم المرشحات على مقدار ارتباطها المتوقع بعدة بروتينات مختارة في آن واحد، في حين تتخلص فلاتر صارمة من أي مرشح يفشل في المتطلبات الأساسية لصلاحية الدواء أو السمية أو، في أمراض الدماغ، القدرة على عبور الحاجز الدماغي الدموي.

تصميم أدوية يمكن تصنيعها فعلياً

ابتكار مهم في EVOSYNTH هو أنه لا يتوقف عند النشاط الافتراضي. العديد من الجزيئات المقترحة من نماذج الذكاء الاصطناعي تبدو واعدة على الشاشة لكن يصعب أو يكلف تصنيعها للغاية. لتجنب هذا المأزق، يدمج المؤلفون نظام تخطيط تركيب يُسمى SPARROW في سير العمل الخاص بهم. يبني هذا الأداة شبكات تفاعلات تربط كل جزيء مرشح إلى لبنات بناء يمكن شراؤها بسهولة، مقدرة عدد الخطوات وتكلفة المواد الأولية وموثوقية كل تفاعل. بدل رفض الجزيئات المستحيلة بعد حدوثها، يستخدم EVOSYNTH هذه الحسابات على مستوى الشبكة لإعطاء أولوية للمرشحين الذين يقدمون أفضل موازنة بين الوعد العلاجي وقابلية التصنيع الواقعية، بما في ذلك فرص إعادة استخدام الوسائط المتوسطة ومشاركة الخطوات عبر عدة مركبات رائدة.

اختبارات واقعية في أمراض الدماغ والسرطان

لإظهار ما يمكن أن يحققه EVOSYNTH، طبق الباحثون الإطار على حالتين اختباريتين تطلبتين. في حالة مرض ألزهايمر، سعوا إلى جزيئات يمكنها حجب كل من JNK3 وGSK3β، إنزيمين مرتبطين بموت الخلايا العصبية وتراكم البروتين غير الطبيعي في الدماغ. في سرطان المبيض، استهدفوا زوجاً من البروتينات المشاركة في إشارات النمو وإصلاح الحمض النووي، وهما PI3K وPARP1، اللذان تبين أن تثبيطهما معاً يعمل بشكل جيد بشكل خاص. انطلاقاً من أدوية معروفة تستهدف هدفاً واحداً كـ"هياكل بذرة"، ولّد EVOSYNTH وهذب تراكيب جديدة عبر أجيال عديدة. مقارنةً بطريقة قريبة الصلة ونموذج توليدي متقدم آخر، أنتج EVOSYNTH باستمرار جزيئات مرشحة ذات نشاط متوقع أقوى على كلا الهدفين، وتنوع بنيوي أكبر، وتشابه أقل مع الهيكل الأصلي — مؤشرات أنه يستكشف بالفعل أراضٍ كيميائية جديدة بدلاً من تعديل نفس الزخرفة إلى ما لا نهاية.

موازنة القوة والتنوع والتكلفة

عندما فحص الفريق أفضل الجزيئات من منظور التركيب، باتت مزايا نهجهم أكثر وضوحاً. تحت حدود واقعية — يمكن فقط حوالي عشرة مركبات التقدم للاختبارات التجريبية — جمعت اختيارات EVOSYNTH العليا عائدًا علاجيًا متوقعًا أعلى مع خطوات تفاعل أقل، وعدد أقل من المواد الأولية المميزة، وتكلفة مواد مقدرة أقل بكثير مقارنةً بما اقترحته طرق منافسة. ومن المثير للاهتمام أن هذه الفعالية من حيث التكلفة ظهرت رغم أن النظام لم يُدرب صراحةً على تقليل صعوبة التركيب. بدلاً من ذلك، سمح ميله إلى توليد عائلات من جزيئات مترابطة لكن متنوعة لمخطط التركيب بإعادة استخدام لبنات البناء وتسلسلات التفاعل، مما فضل بطبيعة الحال التصاميم الأكثر قابلية للتوسع في المختبر.

ماذا يعني هذا للأدوية المستقبلية

بالنسبة لغير المتخصص، الخلاصة الأساسية هي أن EVOSYNTH يوفر طريقة للبحث بذكاء عبر الفضاء الهائل للجزيئات الممكنة، لا بحثاً فقط عن تلك التي تضرب عدة مفاتيح مرضية في آن واحد، بل أيضاً عن تلك التي يستطيع الكيميائيون تصنيعها دون جهد بطولي. من خلال الربط الوثيق بين تنبؤات النشاط متعدد الأهداف وفحوصات السلامة وقدرة اختراق الدماغ والعملية التصنيعية، يقرب الإطار تصميم الأدوية الحاسوبية خطوة نحو إنتاج مركبات حقيقية قابلة للاختبار. وبينما يركز العمل الحالي على أزواج من الأهداف ويعتمد على ارتباط مقدر بالحاسوب بدلاً من بيانات تجريبية كاملة، فإن النهج عام. مع مزيد من الصقل، يمكن لأنظمة مماثلة المساعدة في تصميم جيل جديد من الأدوية متعددة الأغراض التي تجمع بين التعقيد البيولوجي وقابلية التصنيع على نطاق واسع.

الاستشهاد: Nguyen, V.T.D., Pham, P. & Hy, TS. Enabling multi-target drug discovery through latent evolutionary optimization and synthesis-aware prioritization (EVOSYNTH). Commun Chem 9, 133 (2026). https://doi.org/10.1038/s42004-026-01945-4

الكلمات المفتاحية: تصميم أدوية متعددة الأهداف, اكتشاف الأدوية بقيادة الذكاء الاصطناعي, التحسين التطوري, قابلية التركيب الصناعي, التعدد الدوائي (بوليفارماكولوجي)