الثديي — بنية متعددة الوسائط ومحاذية جزيئياً واللغة للاكتشاف الحيوي الدوائي

لماذا يهم تحسين اكتشاف الأدوية

اكتشاف أدوية جديدة بطيء ومحفوف بالمخاطر ومكلف للغاية. لا تزال معظم مرشحات الأدوية تفشل في التجارب السريرية، غالبًا بعد سنوات من العمل. في الوقت نفسه، تنتج مختبرات الأحياء اليوم كميات هائلة من البيانات حول الجينات والبروتينات والخلايا والمواد الكيميائية. يقدم هذا المقال نظام MAMMAL، نوعًا جديدًا من أنظمة الذكاء الاصطناعي التي تتعلم من كل هذه الأنواع من البيانات معًا. من خلال ربط الأنماط عبر الجزيئات والخلايا والأدوية، يهدف إلى مساعدة العلماء في اختيار أهداف أفضل، وتصميم أدوية أفضل، وتجنب المسارات المكلفة الفاشلة في وقت أبكر من العملية.

عقل واحد لأنواع متعددة من البيانات البيولوجية

أدوات الذكاء الاصطناعي الحالية في علوم الأحياء غالبًا ما تكون متخصصة: نموذج واحد يتعامل مع سلاسل البروتين، وآخر يتعامل مع الجزيئات الصغيرة، وآخر ينظر فقط إلى نشاط الجينات. يتخذ MAMMAL مسارًا مختلفًا. فهو يعامل البروتينات والأجسام المضادة والأدوية الجزيئية الصغيرة وملفات التعبير الجيني كأنواع مختلفة من «الجمل» التي يمكن لنفس النموذج قراءتها جميعًا. لتحقيق ذلك، بنى الباحثون طريقة مرنة لتحويل كل نوع من البيانات إلى صيغة تسلسلية مشتركة، ودربوا شبكة كبيرة قائمة على المحولات—بروح مشابهة لنماذج اللغة الحديثة—على نحو ملياري مثال مأخوذ من مجموعات بيانات عامة للبروتينات والأجسام المضادة والمواد الكيميائية وبيانات مستوى الخلايا.

تعلم لغة الأدوية والخلايا

صُمم MAMMAL لفهم المعلومات البيولوجية وتوليدها على حد سواء. يمكنه التصنيف والترتيب أو التنبؤ بقيم عددية مثل قوة الارتباط أو فعالية الدواء، كما يمكنه أيضًا ابتكار سلاسل جديدة، على سبيل المثال اقتراح شظايا جديدة من الأجسام المضادة. ميزة رئيسية هي أنه لا يرى الرموز فحسب؛ بل يمكنه أيضًا استيعاب وإنتاج قيم عددية مباشرة، مثل القياسات من تجارب المختبر. يساعده ذلك على الاستدلال بشأن مدى قوة ارتباط دواء ببروتين أو كيفية استجابة خلية سرطانية للعلاج. تُؤطَّر جميع هذه المهام كتنويعات على نشاط أساسي واحد: تحويل سلسلة إلى أخرى، تمامًا كما في الترجمة بين اللغات.

اختبار النموذج عبر خط أنابيب تطوير الأدوية

لفحص ما إذا كان هذا النهج الموحد مفيدًا حقًا، اختبر المؤلفون نسخ MAMMAL المخصصة على أحد عشر معيارًا مختلفًا تحاكي خطوات حقيقية في اكتشاف الأدوية. شملت هذه التعرف على أنواع الخلايا من بيانات التعبير الجيني أحادي الخلية، التنبؤ بما إذا كانت الجزيئات الصغيرة يمكنها عبور الحاجز الدماغي الدموي أو التسبب في آثار سامة، تقدير كيفية استجابة الخلايا السرطانية لأدوية مختلفة، والتنبؤ بقوة ارتباط البروتينات مع بعضها أو مع الأدوية الجزيئية الصغيرة. حقق MAMMAL أداءً مساوٍ أو متفوقًا على أفضل أداء مُبلغ عنه في تسعة من أصل أحد عشر اختبارًا، غالبًا متغلبًا على نماذج متخصصة للغاية مُعدّة للتعامل مع نوع واحد من البيانات فقط.

تصميم الأجسام المضادة والتفوق على نماذج البنية في ميدانها

جاءت بعض النتائج اللافتة من مهام قائمة على البروتين. في تحدٍ لملء أجزاء الأجسام المضادة—حيث الهدف هو ملء المقاطع الأكثر تفاوتًا التي تتصل فعليًا بالهدف—استعاد MAMMAL الأحماض الأمينية الصحيحة بتواتر أعلى بكثير من الطرق السابقة، خصوصًا في المنطقة الوسطى الصعبة لساحة الارتباط بالتمركز العالي للتغير. كما سأل الفريق ما إذا كان MAMMAL قادرًا على التمييز بين الأجسام المضادة المترابطة وغير المترابطة وقارنوها بألفا فولد 3، أداة توقع البنية التي يمكن استخدام درجات ثقتها كحدس غير مباشر للارتباط. في خمسة من أصل سبعة أهداف اختبار، بما في ذلك بروتينات كبيرة ومرنة ذات صلة بالسرطان، كانت تنبؤات الارتباط لدى MAMMAL أكثر دقة بوضوح، رغم أنه رأى السلاسل فقط وليس البنى ثلاثية الأبعاد.

لمحات عن تأثير واقعي

بعيدًا عن المقاييس المعيارية، تحقق الباحثون مما إذا كانت تنبؤات النموذج تتطابق مع تجارب المختبر. فحصوا أربعة أدوية سرطانية، بما في ذلك كارفيلزوميب، المُوافق عليه بشكل أساسي لأمراض الدم. تنبأ MAMMAL بشكل صحيح بالقوة النسبية لهذه الأدوية عبر مئات خطوط الخلايا، وتم تأكيد هذا الترتيب في تجارب مركزة. تلمّح النتيجة إلى أن الدواء قد يكون له استخدام أوسع في الأورام الصلبة مما كان يُقدر حاليًا، وهو احتمال يستدعي الآن مزيدًا من الاختبارات. كما أظهر النموذج وعدًا في تعاونات تهدف إلى التنبؤ بنشاط الأجسام المضادة ضد فيروسات الإنفلونزا وأهداف أخرى.

ماذا يعني هذا للأدوية المستقبلية

بعبارات بسيطة، يعمل MAMMAL كقارئ وكاتب متعدد اللغات للبيولوجيا، قادر على ربط ما يحدث على مستوى الجينات والبروتينات والمواد الكيميائية داخل إطار واحد. يشير أداؤه القوي عبر مهام عديدة إلى أن مثل هذه النماذج الموحدة يمكن أن تصبح مكونات أساسية في «خلايا رقمية» بمساعدة الذكاء الاصطناعي تساعد العلماء على استكشاف العلاجات في الحوسبة قبل الدخول إلى المختبر. وبينما لا يستبدل التجارب—ولا يزال بحاجة إلى تحقق دقيق—فإنه يمكنه تضييق فضاء البحث، إبراز إمكانيات مفاجئة، وتسريع المسار الطويل من الفكرة إلى الدواء المعتمد وجعله أكثر كفاءة.

الاستشهاد: Shoshan, Y., Raboh, M., Ozery-Flato, M. et al. MAMMAL - Molecular Aligned Multi-Modal Architecture and Language for biomedical discovery. npj Drug Discov. 3, 14 (2026). https://doi.org/10.1038/s44386-026-00047-4

الكلمات المفتاحية: اكتشاف الأدوية المعتمد على الذكاء الاصطناعي, نماذج حيوية متعددة الوسائط, تصميم الأجسام المضادة, تفاعلات البروتين–الدواء, تصنيف التعبير الجيني