نهج ذكاء اصطناعي توليدي لتحسين مضادات الببتيد الحيوية

لماذا تهم المناهج الجديدة للمضادات الحيوية

تنتشر العدوى المقاومة للأدوية أسرع من قدرتنا على علاجها، وبعض المضادات الحيوية الأخيرة بدأت تفشل. تستعرض هذه الدراسة كيف يمكن لشكل جديد من الذكاء الاصطناعي أن يساعد في إعادة تصميم شظايا البروتين الطبيعية، المسماة ببتيدات، لتصبح مضادات حيوية أقوى، مستفيداً من توجيه كلٍ من النماذج الحاسوبية والاختبارات الحيوانية.

تحويل الجزيئات القديمة إلى أدوية حديثة

يبني هذا العمل على فكرة جذابة: التنقيب في جينومات الحيوانات المنقرضة للعثور على ببتيدات مضادة للميكروبات مخفية. كشفت بحوث سابقة عن مثل هذه الجزيئات في حمض نووي لأنواع مثل الماموث الصوفي والكسلان الأرضي العملاق، لكن العديد من هذه الببتيدات الطبيعية كانت فعّالة بشكل متواضع ضد البكتيريا. السؤال هنا هو ما إذا كان نظام ذكاء اصطناعي يمكن أن يأخذ هذه النقاط الابتدائية الخشنة ويقترح بسرعة تغييرات تسلسلية صغيرة تحوّلها إلى مضادات حيوية أقوى وأكثر أماناً، دون التجارب المعملية البطيئة المعتادة للتجريب والخطأ.

كيف تعمل حلقة التصميم بالذكاء الاصطناعي

أنشأ المؤلفون ApexGO، إطار تصميم يزاوج نموذج تعلم عميق مع استراتيجية بحث. يقوم مترجم قائم على المحول أولاً بتحويل كل تسلسل ببتيدي إلى موضع في فضاء رياضي ناعم، حيث تجلس التسلسلات المشابهة بالقرب من بعضها. نموذج ثانٍ، اسمه APEX، يتوقع كمية كل ببتيد المطلوبة لإيقاف نمو عدة بكتيريا مشكلة. ثم يستكشف خوارزم بحث بايزي هذا الفضاء الناعم، مقترحاً متغيرات ببتيدية جديدة يحتمل أن تكون أكثر فعالية مع البقاء متشابهة بنسبة لا تقل عن ثلاثة أرباع مع القالب الأصلي وقابلة للتصنيع عملياً.

من اقتراحات الحاسوب إلى جزيئات حقيقية

باستخدام عشرة ببتيدات منقرضة مختلفة كقوالب، ولّد ApexGO العديد من التسلسلات المرشحة واختر منها 100 للتخليق الكيميائي. اختُبرت هذه في المختبر ضد أحد عشر نوعاً بكتيرياً هاماً سريرياً، بما في ذلك عدة سلالات تتحمل الأدوية القياسية. أظهر 86 من أصل 100 ببتيد مصمّم نشاطاً قابلاً للقياس، وكان حوالي ثلثيها أفضل بوضوح من قوالبها الأصلية، مع نجاح أعلى حتى ضد البكتيريا سالبة الجرام التي غالباً ما تكون الأصعب علاجاً. كما قارن الفريق ApexGO مع مولّدات ذكاء اصطناعي أخرى ووجد أن تلك الأنظمة الأقدم عانت عندما أُجبرت على البقاء قريبة من قالب معين، بينما أنتج ApexGO باستمرار متغيرات محسنة ضمن تلك القيود.

ماذا كشفت الاختبارات المعملية والحيوانية

تعمق الباحثون في سلوك الببتيدات المحسنة. قاسوا كيف تطوى الجزيئات، وكيف تزعج أغشية البكتيريا، وما إذا كانت تضر خلايا الكلى البشرية في المزارع الخلوية. امتدت الببتيدات الجديدة عبر أشكال متعددة، من سلاسل مرتخية إلى لوالب، ولم يضمن أي تركيب واحد فعالية قوية، مما يشير إلى أن الذكاء الاصطناعي يستطيع استغلال عدة مسارات فيزيائية لقتل البكتيريا. لم تكن معظم الببتيدات المصمّمة سامة عند الجرعات المختبرة. في نماذج الفئران لالتهابات الجلد والعضلات العميقة ببكتيريا Acinetobacter baumannii الخطيرة، خفضت الببتيدات المحسنة المختارة أعداد البكتيريا بمقادير تتراوح من ثلاثة إلى أربعة أوامر. في بعض الحالات، أضحت مساوية أو متفوقة على مضادات الملاذ الأخير مثل بوليميكسين B، وكل ذلك دون آثار جانبية واضحة في الحيوانات.

ماذا يعني هذا لمستقبل المضادات الحيوية

تُظهر الدراسة أن حلقة تحسين موجهة بالذكاء الاصطناعي يمكنها شحذ أداء مضادات الببتيد الموجودة بشكل موثوق، حتى عند البدء بتسلسلات طبيعية ذات نشاط متوسط فقط. بدل البحث الأعمى في فضاء الاحتمالات الهائل للببتيدات، يتعلم ApexGO من كل جولة من التنبؤات والتجارب، متمركزاً نحو متغيرات قوية وآمنة نسبياً. بينما هناك حاجة لمزيد من العمل لمعالجة قضايا مثل الثبات داخل الجسم والجرعات في البشر، يشير هذا النهج إلى طريقة أسرع وأكثر تركيزاً لبناء مضادات حيوية جديدة في وقت تَحتاجها فيه الحاجة الماسة.

الاستشهاد: Torres, M.D.T., Zeng, Y., Wan, F. et al. A generative artificial intelligence approach for peptide antibiotic optimization. Nat Mach Intell 8, 841–856 (2026). https://doi.org/10.1038/s42256-026-01237-5

الكلمات المفتاحية: مقاومة مضادات الميكروبات, مضادات الببتيد الحيوية, ذكاء اصطناعي توليدي, التحسين البايزي, اكتشاف الأدوية