تسريع اكتشاف المنتجات الطبيعية بربط مطياف الكتلة والجينومات ونماذج اللغة/المحوِّلات

لماذا تختبئ الأدوية الجديدة في العلن

تأتي العديد من أهم أدويتنا، بما في ذلك المضادات الحيوية وأدوية السرطان، من ميكروبات صغيرة تُنتج مركبات طبيعية معقدة. ومع ذلك فإن العثور على جزيئات جديدة في هذا الصيدلية الخفية بطيء ومكلف، لأن الباحثين يضطرون لتفحص مكتبات ضخمة من الميكروبات والتكهّن أيها يستحق الاختبار. تُبيّن هذه الورقة كيف أن الجمع بين ذكاء اصطناعي متقدّم وقياسات مخبرية حديثة يمكن أن يسرّع كثيراً من البحث، مما يساعد الباحثين على التركيز بسرعة على الميكروبات الأكثر وعداً قبل الشروع في تجارب مرهقة.

تحويل حمض نووي ميكروبي إلى خريطة قابلة للبحث

ينظر الجزء الأول من المنهج إلى "المخططات" الجينية للميكروبات. بدلاً من الاعتماد على المطابقة التقليدية للحمض النووي فقط، يطبّق الفريق نماذج لغوية للبروتينات قوية — أنظمة ذكاء اصطناعي تعلمت أنماطاً عبر ملايين تتابعات البروتين. تُحوِّل هذه النماذج كل بروتين حيوي إلى بصمة عددية عالية البُعد. يتيح ذلك للعلماء اكتشاف أقارب وظيفية بعيدة حتى عندما تغيّرت الشيفرة الوراثية كثيراً أو كانت مقسّمة عبر شظايا، وهو مشكلة شائعة في جينومات المسودات الخشنة. بعد ذلك يقوّم الباحثون كل ميكروب بحسب عدد بروتيناته التي تشبه تلك الموجودة في مسار معروف لصنع جزيء مستهدف، وبحسب مدى قوة تلك الشبه الكلية. يبرز هذا المجموع المركب السلالات التي يبدو أن مجموع بروتيناتها قادر على بناء المركب المرغوب، بينما يستبعد الميكروبات التي تملك إنزيمات شائعة واحدة أو اثنتين فقط وغير متخصِّصة.

قراءة الخلائط الكيميائية المعقدة بالذكاء الاصطناعي

يركز الجزء الثاني على ما تنتجه الميكروبات فعلياً في المختبر. باستخدام كروماتوغرافيا سائلة ومطيافية كتلة مزدوجة (MS/MS)، يسجّل العلماء "بصمات" مفصّلة للجزيئات في مستخلصات التخمر. تنظّف بنية العمل الداخلية للمؤلفين لتحليل البنية الذكي، أو WISE، هذه الإشارات، وتفصل القمم المتداخلة، ثم تستخدم نماذج ذكاء اصطناعي مدرّبة على ملايين بنى شبيهة بالمنتجات الطبيعية لتخمين أي الأشكال الجزيئية تتناسب أفضل مع كل طيف. يتنبأ نموذج قائم على المحوِّل بما يجب أن تبدو عليه أطياف الجزيئات المرشّحة، ويزن مجموع النقاط المشترك مدى توافق الأنماط المراقَبة والمتوقعة، بما في ذلك تفاصيل دقيقة مثل أنماط النظائر والكتلة الدقيقة. من خلال تحليل توزيع هذه الدرجات على معيار معياري، يحدد الفريق عتبات تفصل التطابقات المحتملة الحقيقية عن الضوضاء أو المقلِّدات المشابهة، مما يتيح لهم وسم بعض التخمينات البنائية على أنها عالية الثقة وتصفيّة الأخطاء الواضحة.

جمع الجينات والمواد الكيميائية معاً

تنبع القوة الحقيقية للطريقة من دمج هذين المصدرين من المعلومات. أي ميكروب يتصدر القائمة لمركب معين يظهر إمكاناً جينياً — بروتيناته تشبه تلك الموجودة في مسار معروف — ودليلاً كيميائياً — ينتج خصائص طيفية تتناسب مع البنية المتوقعة. تقلل هذه المقارنة المتقاطعة من النتائج الكاذبة التي تبدو مقنعة في نوع واحد من البيانات فقط. اختبر المؤلفون إطارهم على مجموعة كبيرة من سلالات الأكتينوباكتيريا والطفرات، مركزين على ثلاثة مركبات مضادة للميكروبات مختلفة جداً: فالينوميسين، سيرفاكتين، والمضاد الحيوي نيومايسين B. بدلاً من الاعتماد على جينومات مثالية أو مكتبات طيفية كاملة، يعمل النظام جيداً حتى عندما تكون البيانات فوضوية أو غير مكتملة، وهو واقع شائع في حملات الاكتشاف في المراحل المبكّرة.

اختبار الإطار

في دراسة حالة نيومايسين B، بحث الذكاء الاصطناعي أولاً عن ميكروبات تبدو بروتيناتها مشابهة لتلك في مسار نيومايسين المعروف، ثم تحقق مما إذا كانت أطيافها الكتلية تشير إلى وجود جزيئات شبيهة بالنيومايسين. مرّ أربعة سلالات عبر كلا المرشّحين؛ وتم تأكيد أن ثلاثة منها تنتج نيومايسين B تجريبياً، بما في ذلك اثنتان لم يكنتا معروفتين سابقاً كمُنتِجين. بالنسبة للفالينوميسين والسيرفاكتين، حدّد الإطار أيضاً مُنتِجين بدقّة عالية، بينما أداء اختبار الضبط الذي خرّب الدرجات عشوائياً كان أسوأ بكثير. تظهر هذه النتائج أن النموذج يلتقط علاقات بيولوجية حقيقية، وليس مجرد مصادفات عشوائية في البيانات، وأنه قادر على توجيه الباحثين بنجاح نحو الضروب الأكثر احتمالاً في مساحة بحث مزدحمة.

ما معنى هذا لمستقبل اكتشاف الأدوية

بمصطلحات يومية، بنى المؤلفون محرك توصية ذكي لاكتشاف المنتجات الطبيعية. بدلاً من اختبار كل ميكروب وكل إشارة كيميائية بطريقة القوة الغاشمة، يمكن للعلماء الآن التركيز على قائمة قصيرة من السلالات حيث تتوافق الإمكانات الجينية والإنتاج الكيميائي. يخفّض هذا كثيراً من الجهد الضائع، مع الحفاظ على إمكانية اكتشاف جزيئات غير متوقعة لم تُدرج بعد في أي مرجع. ومع تحسّن نماذج الذكاء الاصطناعي ومجموعات البيانات، قد يفتح هذا النوع من الاستدلال المدمج بين الجينوميات والاستقلبات مناطق شاسعة من كيمياء الميكروبات بقيت غير مستكشفة، مما قد يكشف عن مضادات حيوية ومركبات مفيدة أخرى عندما تحتاجها المجتمع أكثر ما يكون.

الاستشهاد: Tay, D.W.P., Koh, W., Ang, S.J. et al. Accelerating natural product discovery with linked MS-genomics and language/transformer-based models. npj Antimicrob Resist 4, 31 (2026). https://doi.org/10.1038/s44259-026-00206-7

الكلمات المفتاحية: اكتشاف المنتجات الطبيعية, الاستقلبات الميكروبية, مطيافية الكتلة, نماذج لغوية للبروتينات, الذكاء الاصطناعي في اكتشاف الأدوية