تقرير القابلية لإعادة الاستخدام: تقييم أداء نموذج تأسيسي للتعلّم التعدّدي في التنبؤ بالنشاط المضاد للبكتيريا للمركبات الطبيعية

البحث عن مضادات حيوية جديدة، بشكل أسرع

مقاومة المضادات الحيوية في تزايد، ومع ذلك فإن اكتشاف أدوية جديدة بطيء بشكل مؤلم وغالباً ما يعتمد على المحاولة والخطأ في المختبر. تستكشف هذه الدراسة ما إذا كان نوع قوي من الذكاء الاصطناعي، تم تدريبه أصلاً على مجموعات ضخمة من بيانات الأدوية، يمكن تكييفه بسرعة للتنبؤ أي المركبات المستخلصة من النباتات قد تقاوم البكتيريا—باستخدام كميات صغيرة فقط من بيانات التجارب الجديدة. إذا نجحت، قد تساعد أدوات كهذه العلماء على تركيز وقت المختبر الثمين على أكثر المرشحين وعداً وتسريع البحث عن جيل جديد من المضادات الحيوية.

لماذا تهم المواد الكيميائية النباتية

العديد من أفضل مضاداتنا الحيوية بدأت حياتها كمركبات طبيعية من النباتات والميكروبات. يمكن لهذه الجزيئات إيقاف نمو البكتيريا، لكن العثور على جديدة في الطبيعة يشبه البحث عن إبر في كومة قش. يجب على الباحثين اختبار العديد من المركبات ضد سلالات بكتيرية متعددة، وكل اختبار مكلف. والأسوأ أن مجموعات البيانات الكبيرة والموسومة بعناية—التي تحتاجها أساليب التعلّم العميق الحديثة لتؤدي جيداً—نادرة في هذا المجال. هذا يجعل اكتشاف المضادات الحيوية أرضية اختبار مثلى "لنماذج الأساس": أنظمة ذكاء اصطناعي كبيرة وعامة يمكن ضبطها لمهام محددة باستخدام عدد قليل من الأمثلة الجديدة.

نموذج تأسيسي يتعلّم عن قاتلات الجراثيم

ركز الفريق على نموذج تأسيسي اسمه ActFound، تم تدريبه أصلاً للتنبؤ بشدة تأثير مركبات مختلفة على الأهداف البيولوجية، باستخدام مجموعات بيانات هائلة من مصادر مثل قواعد بيانات ChEMBL وBindingDB. بدلاً من التنبؤ برقم واحد لكل مركب، يتعلّم ActFound من خلال مقارنة أزواج من المركبات داخل نفس التجربة وتقدير أيها أكثر نشاطاً. صُمم هذا التعلم "الزوجي"، بالاشتراك مع استراتيجية تدريب معروفة بالتعلّم التعدّدي (ميتا)، لمساعدة النموذج على التكيّف بسرعة مع مهام تنبؤ جديدة عندما تتوافر أمثلة معنونة قليلة—وهو بالضبط الوضع في العديد من شاشات المضادات الحيوية.

اختبار النموذج على بيانات نباتية من العالم الحقيقي

لمعرفة مدى قابلية إعادة استخدام ActFound فعلاً، قام المؤلفون بضبطه دقيقاً على مجموعة بيانات مُنقّاة من المركبات الطبيعية المستخرجة من النباتات التي خضعت لاختبارات قدرتها على تثبيط نمو بكتيريا مختلفة. اعتُبِرت كل سلالة بكتيرية مهمة مستقلة، وتم تكييف النموذج باستخدام 8 إلى 128 مركباً لكل سلالة فقط، أو نسب ثابتة من البيانات المتاحة. كما قارنوا ActFound بنماذج أبسط للتعلّم التعدّدي ونماذج نقل التعلم التي لا تستخدم المقارنات الزوجية. عبر هذه الاختبارات، لم يصل ActFound إلى الدقة التي أظهرها في أعمال سابقة على أنواع أخرى من بيانات الأدوية. ومع ذلك، عندما كانت البيانات شحيحة للغاية—بمعدل بضعة مركبات فقط لكل سلالة—فإن ActFound ونظيره القائم على نقل التعلم عمومًا تعادلا أو تفوقا على الطرق البديلة.

متى تساعد التشابهات—ومتى تضر

يفترض ActFound أن الجزيئات المتشابهة تتصرف بشكل مشابه، وهو ما ينجح عندما تُبنى مجموعات البيانات حول مجموعات من المركبات المترابطة كيميائياً. ومع ذلك كانت مجموعة بيانات المنتجات الطبيعية متنوعة كيميائياً وغالباً ما تفتقر إلى "عائلات" قريبة من المركبات. هذه التنوع، رغم قيمته العلمية، يقوض استراتيجية التعلم الزوجي: عندما تكون المركبات داخل التجربة مختلفة جداً عن بعضها البعض، يواجه النموذج صعوبة في تعلّم مقارنات مستقرة. ووجد المؤلفون أيضاً أن تشخيصاً بسيطاً، اقترح في ورقة ActFound الأصلية للتنبؤ مسبقاً بمدى أداء النموذج على مهمة جديدة، لم يثبت صحته على بيانات المنتجات الطبيعية هذه، مما يسلط الضوء على قيد مهم عند الانتقال إلى فضاءات كيميائية جديدة.

ما الذي يعنيه هذا لاكتشاف الأدوية في المستقبل

بالنسبة لغير المتخصصين، الخلاصة أن نماذج الأساس مثل ActFound أدوات واعدة لاكتشاف الأدوية عندما تكون البيانات نادرة، لكنها ليست حلولاً سحرية. في هذه الدراسة، غالباً ما كان أداء ActFound ونسخة نقل التعلم منه مساوياً أو أفضل من الطرق المنافسة عندما توفرت بضعة مركبات نباتية فقط للتدريب، ومع ذلك كافحا على مجموعة المنتجات الطبيعية متعددة التنوع هذه. تقترح الدراسة أن هذه النماذج الذكية أكثر فائدة عندما تتضمن البيانات العديد من المركبات الكيميائية المتشابهة—كما في دراسات مركزة عن علاقات البنية والنشاط—لكنها تبقى أقل موثوقية في التنبؤ بكيفية سلوك أنواع جزيئات جديدة تماماً. بعبارة أخرى، يمكن للذكاء الاصطناعي أن يساعد في تضييق نطاق البحث، لكن الجزء الأصعب من استكشاف أراض كيميائية جديدة تماماً ما يزال أمامنا.

الاستشهاد: Butt, C.M., Walker, A.S. Reusability Report: Evaluating the performance of a meta-learning foundation model on predicting the antibacterial activity of natural products. Nat Mach Intell 8, 270–275 (2026). https://doi.org/10.1038/s42256-026-01187-y

الكلمات المفتاحية: اكتشاف المضادات الحيوية, المركبات الطبيعية, التعلّم العميق, التعلّم التعدّدي (ميتا), فرز الأدوية