The Quantum Ensemble Variational Optimization Algorithm: Applications to Molecular Inverse Design
تقدم هذه الورقة خوارزمية التحسين التبايني للمجموعات الكمومية (QEVO)، وهي طريقة تسخر الحوسبة الكمومية القريبة من المدى والكمومية المتسامحة مع الأخطاء في مراحلها الأولى للتغلب بكفاءة على لعنة الأبعاد في التصميم العكسي للجزيئات، كما تم إثباته من خلال تطبيقها الناجح في تحديد الجزيئات الشبيهة بالأدوية ذات الخصائص المضادة للسرطان.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك طاهٍ ماهر يحاول ابتكار طبق جديد ومثالي. لديك خزانة مليئة بالمكونات، لكن عدد الطرق التي يمكنك بها دمجها هائل لدرجة أن تذوق كل إمكانية منها سيستغرق وقتاً أطول من عمر الكون. هذا هو الصراع اليومي الذي يواجهه الكيميائيون أثناء محاولة تصميم جزيئات جديدة. فهم بحاجة إلى إيجاد هياكل محددة يمكنها علاج الأمراض أو ابتكار مواد أفضل، ولكن "الفضاء الكيميائي" لجميع الجزيئات الممكنة واسع جداً لدرجة أن الحواسيب التقليدية تضيع فيه وتصاب بالارتباك بسبب العدد الهائل من التوليفات؛ وهذا ما يُعرف بـ "لعنة الأبعاد".
ولحل هذه المشكلة، يتجه العلماء نحو الحواسيب الكمومية. فخلافاً للحواسيب العادية التي تستخدم "البتات" (مفاتيح تكون إما في وضع التشغيل أو الإيقاف)، تستخدم الحواسيب الكمومية "الكيوبتات". وبفضل خدعة كمومية غريبة تسمى "التراكب"، يمكن للكيوبت أن يكون في وضع التشغيل، أو الإيقاف، أو كليهما في آن واحد. وهذا يسمح لها باستكشاف العديد من الاحتمالات في وقت واحد، مثل طاهٍ يمكنه تذوق ألف وصفة مختلفة في قضمة واحدة. ومع ذلك، لا تزال الحواسيب الكمومية الحالية صغيرة وعرضة للأخطاء، لذا يحتاج العلماء إلى طرق ذكية لاستخدامها دون أن تغرق في الضجيج.
هنا يأتي دور طريقة جديدة تسمى "التحسين المتغير للمجموعات الكمومية" (QEVO). فكر في QEVO ليس كطاهٍ يتذوق طبقاً واحداً في كل مرة، بل كقائد أوركسترا يقود مجموعة من الجزيئات المحتملة. فبدلاً من محاولة حساب النتيجة المثالية لكل وصفة على حدة، يقوم الحاسوب الكمومي بإنشاء حالة "تراكب" — وهي سحابة سحرية حيث توجد العديد من الهياكل الجزيئية المختلفة في وقت واحد. ثم تقوم الخوارزمية بأخذ عينات من هذه السحابة، وتتحقق من الأداء المتوسط للمجموعة. وإذا لم يكن أداء المجموعة جيداً، تقوم الخوارزمية بتعديل "عصا المايسترو" (الإعدادات الكمومية) لتحويل السحابة نحو المرشحين الأفضل. إنها طريقة ذكية وتكرارية للبحث عن الإبرة في كومة القش دون الحاجة إلى النظر في كل قطعة قش بمفردها.
تقدم الورقة البحثية التي أعدها فرانشيسكو كالكانيو وفريقه طريقة QEVO، واختبرتها في تحدي تصميم أدوية جديدة، وبالتحديد بالبحث عن جزيئات يمكنها محاربة السرطان. لقد قاموا بمحاكاة العملية على جهاز كمبيوتر لمعرفة ما إذا كان بإمكانها إيجاد جزيئات ذات سمات محددة ومرغوبة، مثل كونها قابلة للذوبان في الماء أو ترتبط بقوة ببروتين مرتبط بالسرطان يسمى JAK2.
النتائج من هذه المحاكاة واعدة للغاية. ففي اختبار حاولوا فيه إيجاد جزيء بأقل قيمة ممكنة لـ "plogP" (وهو مقياس لمدى ذوبان الجزيء في الدهون مقابل الماء)، وجدت خوارزمية QEVO الحل الأفضل بعد استكشاف حوالي 6% فقط من إجمالي الجزيئات الفريدة الممكنة. لقد كان الأمر يشبه العثور على أفضل إبرة في كومة قش عبر النظر في كومة صغيرة فقط من القش. عملت الخوارما بزيادة تدريجية في "تنقية" سحابتها من الاحتمالات، حيث انتقلت من مزيج فوضوي من الجزيئات العشوائية إلى مجموعة مركزة من المرشحين عالي الجودة.
كما تناول الفريق مشكلة أكثر صعوبة: تصميم جزيء يستهدف بروتيناً سرطانياً معيناً (JAK2) دون إصابة بروتين صحي مشابه (LCK) عن طريق الخطأ. هذا يشبه محاولة العثور على مفتاح يناسب قفلاً واحداً محدداً دون أن يفتح الأقفال الأخرى في المنزل. عندما تركوا الخوارزمية تعمل بحرية، وجدت بعض المرشحين الجيدين، لكنهم لم يكونوا مثاليين. ومع ذلك، عندما أعطوا الخوارزمية تلميحاً — بالبدء في البحث بهيكل مشابه لدواء موجود يسمى ركسوليتينيب — تحسنت النتائج بشكل كبير. وجد البحث "المتحيز" جزيئاً جديداً كان أفضل بكثير في التمييز بين بروتين السرطان والبروتين الصحي، حيث أظهر فرقاً في طاقة الارتباط قدره 2.0 كيلو كالوري/مول لصالح الهدف السرطاني.
يؤكد المؤلفون أن هذه النتائج تأتي من محاكاة حاسوبية، وليس من تجارب فيزيائية في المختبر. لقد استخدموا دائرة كمومية "ضحلة"، مما يعني أنها لا تتطلب عدداً هائلاً من الكيوبتات، مما يجعلها مناسبة للحواسيب الكمومية التي نمتلكها اليوم أو التي سنمتلكها قريباً جداً. وبينما نجحت الطريقة في توليد مرشحين جزيئيين عالي الجودة والتنقل في المساحات الكيميائية المعقدة بكفاءة، فإن الورقة لا تدعي أنها اكتشفت علاجاً جديداً. بدلاً من ذلك، تقترح أن QEVO هي أداة قوية يمكنها مساعدة العلماء على تصميم أدوية أفضل بشكل أسرع، مما يوفر طريقة عملية للتعامل مع التعقيد الهائل للتصميم الجزيئي دون الحاجة إلى تدريب نماذج ذكاء اصطناٍ اصطناعي ضخمة أو انتظار أجهزة كمومية مثالية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.