خطّ عمل متكامل مدفوع بالتعلم العميق لتصميم وتخليق ببتيدات مضادة للميكروبات من الصفر

لماذا تهم جزيئات جديدة لمكافحة الجراثيم

مع تراجع فعالية المضادات الحيوية الشائعة أمام بكتيريا أصبحت أكثر صلابة، يجد الأطباء أنفسهم بلا خيارات كافية لعلاج العدوى اليومية. أحد البدائل الواعدة هو الببتيدات المضادة للميكروبات—قطع بروتينية قصيرة تخترق أغشية البكتيريا بدلاً من استهداف إنزيم واحد. تصف هذه المقالة كيف استخدم الباحثون الذكاء الاصطناعي (AI) لتصميم واختبار ببتيدات مضادة للميكروبات تلقائياً وبشكل أسرع وأرخص وأكثر توجيهاً من التجارب التقليدية التي تعتمد على التجريب والخطأ.

طريقة جديدة لاستكشاف مساحة ضخمة من الجزيئات

تصميم ببتيدات مضادة للميكروبات مفيدة يشبه البحث عن تذاكر يانصيب رابحة قليلة داخل جبل من الأرقام العشوائية: هناك عدد هائل من التسلسلات الممكنة للأحماض الأمينية، لكن جزءاً ضئيلاً جداً منها فقط سيكون آمنًا وفعالًا كدواء. الفحص المخبري التقليدي بطيء ومكلف، وحتى النماذج الحاسوبية غالباً ما تكافح لتحقيق توازن بين الفعالية والتنوع اللازم لاكتشاف جزيئات جديدة حقاً. يعالج المؤلفون هذا الأمر ببناء خطّ عمل ثلاثي المراحل—التوليد، والتقييم، والتحقق التجريبي—الذي يسمح للذكاء الاصطناعي باستكشاف مناطق شاسعة من فضاء التسلسلات مع التركيز في الوقت نفسه على المرشحين الذين يبدون واقعيين وواعدين.

تعليم نموذج لغة البروتين أن يفكر كمصمم ببتيدات

في صلب الخطوة الأولى يكمن ProtGPT2، نموذج "لغة بروتينية" كبير تدرب في الأصل على كتابة تسلسلات بروتينية مقنعة كما تكتب نماذج النصوص الجمل. بدلاً من إعادة تدريب هذا النموذج الضخم بالكامل—وهي مقاربة مكلفة ومعرضة للإفراط في التخصيص على مجموعات بيانات صغيرة من الببتيدات المضادة للميكروبات—يستخدم الفريق استراتيجية تسمى ضبط المُطالب الناعم (soft prompt tuning). يضيفون مُطالِبًا صغيرًا قابلًا للتدريب أمام كل تسلسل ويحدثون هذا المطالب فقط مع إبقاء أوزان النموذج الداخلية ثابتة. أثبت هذا التوجيه اللطيف كفايته في دفع النموذج نحو إنتاج ببتيدات شبيهة بالمضادات الميكروبية دون التضحية بإبداعه الواسع. أظهرت تحليلات التسلسلات المولَّدة أنها تطابق الببتيدات المضادة للميكروبات الحقيقية في خصائص رئيسية مثل الشحنة والهدروفوبيّة والأنماط البنيوية، مع الحفاظ على تنوع أكبر من التسلسلات الناتجة عن إعادة التدريب الكامل.

ترك عدة "خبراء" ذكاء اصطناعي للتصويت على كل مرشح

في الخطوة الثانية، يواجه الباحثون التحدي المعاكس: من بين 30,000 تسلسل مولَّد، أيها يستحق تكلفة التخليق الكيميائي والاختبار المخبري؟ بنوا نموذج تقييم يسمى MCL‑AMP يجمع بين ثلاثة "خبراء" شبكات عصبية مختلفين—أحدهم يركز على الأنماط المحلية، وآخر يتتبع العلاقات بعيدة المدى على طول التسلسل، وثالث يدمج الخصائص الشاملة. تتعلم شبكة تصويت منفصلة مقدار الوثوق بكل خبير لكل ببتيد، وتستخدم دالة خسارة خاصة لردع الإفراط في الثقة عندما يخطئ النظام. باستخدام ميزات تسلسلية غنية مستخرجة بواسطة نموذج بروتين متقدم آخر (ESM‑2)، حقق هذا التجميع دقة أعلى من الأدوات القائمة في التمييز بين التسلسلات المضادة للميكروبات وغير المضادة، وقدّم درجة ثقة قابلة للتفسير لكل مرشح.

من التنبؤات الحاسوبية إلى بكتيريا حقيقية في المختبر

من بين 30,000 تسلسل مولَّد بالذكاء الاصطناعي، خُصِّصت تسعة ببتيدات من أعلى الدرجات للتخليق والاختبار ضد أربعة سلالات بكتيرية، شملت أنواعاً موجبة وسالبة الغرام. أشارت توقعات البنية باستخدام AlphaFold إلى أن ثمانية من التسعة تتبنى أشكالًا حلزونية أحادية الوجه (amphipathic helix) النموذجية للببتيدات المضادة للميكروبات، مع وجوه محبة للماء ووجوه محبة للدهون تفضّل مهاجمة الغشاء. في اختبارات بتري، أظهرت أربعة من التسعة نشاطًا مضادًا قويًا للبكتيريا، وكان اثنان منهما—المسميان GW20 وKI16—قريبين من أداء المضادات الحيوية المعروفة في إيقاف نمو البكتيريا. كشفت الميكروسكوبيّة أن هذه الببتيدات أتلفت بشكل مرئي أسطح الخلايا البكتيرية، متسقة مع آلية تعتمد على تعطيل الأغشية. والأهم من ذلك، أظهر كلاهما ضررًا قليلًا لخلايا الدم الحمراء عند تراكيز ذات صلة علاجياً وأبديا قدرة قوية على منع وتفكيك الأغشية الحيوية اللاصقة للبكتيريا، متفوقين في كثير من الأحيان على مضاد حيوي معياري.

ماذا يعني هذا للأدوية المستقبلية

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن المؤلفين بنوا حلقة عمل "تصميم–اختبار" تعمل فيها أنظمة الذكاء الاصطناعي على اقتراح العديد من الببتيدات القاتلة للجراثيم، ثم تُصنّف باستخدام لجنة من النماذج، ثم تُؤكد النتائج في المختبر. رغم أن ليس كل تسلسل في المراتب العليا نجح، فإن معدل الضربات—أربعة ببتيدات فعالة من بين تسعة مُختبرة—أعلى بكثير من الفحص الأعمى التقليدي. تعرض الجزيئتان الأكثر وعدًا مزيجًا مفيدًا من الفعالية والأمان والقدرة على مقاومة البيوفيلم، مما يوحي بعلاجات مستقبلية للعدوى العنيدة. وبقدر الأهمية نفسها، يمكن إعادة ضبط نفس خطّ العمل المعياري لتصميم ببتيدات طبية أخرى، مثل العوامل المستهدفة للسرطان أو الجزيئات المضادة للفيروسات، مما يوفر مخططًا مرنًا لتسريع اكتشاف الأدوية بالذكاء الاصطناعي في مواجهة تزايد مقاومة المضادات الحيوية.

الاستشهاد: Liu, J., Chen, Y., Tang, J. et al. Deep learning-driven integrated pipeline for de novo design and synthesis of antimicrobial peptides. npj Drug Discov. 3, 15 (2026). https://doi.org/10.1038/s44386-026-00045-6

الكلمات المفتاحية: الببتيدات المضادة للميكروبات, الذكاء الاصطناعي, اكتشاف الأدوية, مقاومة المضادات الحيوية, الطبقات الحيوية (البيوفيلم)