🤖 machine learning

Multi-Objective Reinforcement Learning for Generating Covalent Inhibitor Candidates

تقدم هذه الورقة البحثية مساراً للتعلم التعزيزي متعدد الأهداف ينجح في توليد مرشحات مبتكرة لمثبطات تساهمية لـ EGFR وacetylcholinesterase، مما أدى بفعالية إلى إعادة اكتشاف أدوية معروفة واقتراح نماذج "رؤوس حربية" (warhead motifs) جديدة تلقائياً غير موجودة في بيانات التدريب.

المؤلفون الأصليون: Renee Gil

نُشر 2026-04-23

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Renee Gil

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 يجب أن يلبي ثلاثة متطلبات صعبة للغاية في آن واحد:
١. يجب أن يكون مذاقه رائعاً (الارتباط بقوة بالهدف).
٢. يجب أن يُصنع فقط من مكونات يمكنك شراؤها بالفعل من المتجر (يجب أن يكون ممكناً تركيبياً).
٣. يجب أن يكون طبقاً "لزجاً"، بحيث بمجرد أن يلمس لسان الزبون، يلتصق به للأبد ولا يتركه (يجب أن يكون مثبطاً تساهمياً).

هذا هو التحدي وراء تصميم الأدوية التساهمية. وخلافاً للأدوية العادية التي تجلس فقط بجانب بروتين المرض وتهمس له، فإن الأدوية التساهمية تمسك بالبروتين فعلياً عبر "مصافحة" كيميائية لا تنقطع أبداً. وهذا يجعلها قوية للغاية، لكن تصنيعها صعب جداً لأن عليك ضبط الهندسة بدقة: "اليد اللزجة" (الرأس الكيميائي) يجب أن تكون في المكان الصحيًا تماماً للإمساك بالبروتين.

المشكلة: خيارات كثيرة جداً

تقليدياً، كان العلماء يبحثون ببساạch في مكتبة ضخمة من الوصفات الموجودة (الجزيئات) ليروا ما إذا كان أي منها يناسب الهدف. لكن هذا يشبه البحث عن إبرة في كومة قش؛ يمكنك فقط العثور على الإبر الموجودة بالفعل داخل كومة القش. لا يمكنك ابتكار نوع جديد من الإبر.

الحل: الطاهي الآلي مع نظام تحديد المواقع (GPS)

قام مؤلف هذه الورقة البحثية ببناء "طاهٍ آلي" (ذكاء اصطناعي) لا يكتفي فقط بالنظر في وصفات موجودة، بل يتعلم قواعد الطبخ (الكيمياء) ثم يحاول ابتكار أطباق جديدة من الصفر.

إليك كيف يعمل النظام، باستخدام تشبيه بسيط:

١. المتدرب (المولد - The Generator)

يبدأ الذكاء الاصطناعي كمتدرب قرأ ملايين كتب الطبخ (مجموعة بيانات من الجزيئات المعروفة). هو يعرف كيف يكتب وصفة (بنية كيميائية) حرفاً بحرف، تماماً مثل كتابة جملة. في البدا كلمة، يكتب مجرد جمل عشوائية تبدو وكأنها وصفات.

٢. مختبرو المذاق (دوال التقييم - The Scoring Functions)

يكتب الذكاء الاصطناعي وصفة، ثم تقوم لجنة من مختبري المذاق (نماذج رياضية) بتقييمها.

مختبر "هل يمكنك صنع هذا؟": يتحقق مما إذا كانت المكونات غريبة جداً أو باهظة الثمن بحيث يصعب شراؤها.
مختبر "اليد اللزجة": يتحقق مما إذا كانت الوصفة تحتوي على "اليد الكيميائية" المناسبة للإمساك بالبروتين.
مختبر "الملاءمة": يحاكي وضع الطبق في فم الزبون ليرى ما إذا كان يتناسب معه تماماً.
مختبر "الألفة": يتحقق مما إذا كان الطبق مشابهاً جداً لطبق مشهور (مثل أوسيميرتينيب) أم أنه جديد تماماً.

٣. المدرب (التعلم المعزز - Reinforcement Learning)

هذا هو الجزء السحري. الذكاء الاصطناعي يلعب لعبة حيث يريد الحصول على أعلى درجة ممكنة.

إذا كتب الذكاء الاصطناعي وصفة يصعب صنعها، يقول المدرب: "حاول مجدداً، ولكن اجعلها أبسط".
إذا كانت "اليد اللزجة" مفقودة، يقول المدرب: "أضف مكوناً لزجاً!".
يتعلم الذكاء الاصطناعي من أخطائه. يقوم بتعديل وصفته، ويحاول مجدداً، ويحصل على درجة جديدة. عبر آلاف المحاولات، يتعلم موازنة كل هذه المطالب المتضاربة. الأمر يشبه شخصية في لعبة فيديو تتعلم القفز والجري وإطلاق النار في آن واحد لتحقيق أعلى نتيجة.

٤. "التحكم في الحشود" (تزاحم باريتو - Pareto Crowding)

أحياناً، قد يصبح الذكاء الاصطناعي مهووساً بشيء واحد (مثل جعل الطبق فائق اللزوجة) وينسى الأمور الأخرى (مثل جعله سهل الطبخ). ولإصلاح ذلك، يستخدم المدرب قاعدة "التحكم في الحشود". فهو يجبر الذكاء الاصطناعي على الاحتفاظ بقائمة متنوعة. يقول له: "لا تصنع ١٠٠٠ نسخة مختلفة من نفس الطبق الحار. اصنع بعض الأطباق الحلوة، وبعضها الحامض، وبعضها سهل الطبخ". هذا يضمن أن يستكشف الذكاء الاصطناعي المطبخ بأكمله، وليس زاوية واحدة منه فقط.

النتائج: ماذا طبخ الروبوت؟

اختبر الباحثون هذا الذكاء الاصطناعي على هدفين محددين: EGFR (بروتين مرتبط بالسرطان) و ACHE (بروتين مرتبط بالذاكرة ووظائف الأعصاب).

١. إعادة اكتشاف الكلاسيكيات: نجح الذكاء الاصطناعي في "إعادة ابتكار" أدوية ناجحة ومعروفة. لقد وجدها بنسبة تتراوح بين ٠.٥٪ إلى ٠.٧٪ من الوقت. وهذا يثبت أن الذكاء الاصطناعي يفهم قواعد اللعبة.
٢. الملاءمة المثالية: عندما أخذ الباحثون أفضل الوصفات التي صنعها الذكاء الاصطناعي وفحصوها في محاكاة حاسوبية فائقة، وجدوا أن "الأيدي اللزجة" كانت موضوعة بدقة قريبة جداً من البروتين المستهدف (ضمن ٣ إلى ٥ أنجستروم - أي مسافة المصافحة المثالية).
٣. المكونات المفاجئة (الجزء الأفضل): الاكتشاف الأكثر إثارة للدهشة هو أن الذكاء الاصطناعي لم يكتفِ بنسخ الوصفات الموجودة، بل ابتكر أنواعاً جديدة من "الأيدي اللزجة" لم يسبق للعلماء رؤيتها في بيانات التدريب!

ابتكر جزيئات تحتوي على الألينات (Allenes) (شكل كيميائي محدد).
ابتكر ٣-أوكسو-بيتا-سولتامز (3-oxo-β-sultams) (بنية حلقية معقدة).
ابتكر ألفا-ميثيلين-بيتا-لاكتونات (α-methylene-β-lactones) (حلقة صغيرة وتفاعلية).

لم تكن أي من هذه الأشكال المحددة موجودة في "كتب طبخ" الذكاء الاصطناعي، ولكن عندما بحث العلماء في الأدبيات العلمية، وجدوا أن هذه الأشكال موجودة بالفعل في الطبيعة ومعروفة بقدرتها العالية على الإمساك بالبروتينات. لقد ابتكر الذكاء الاصطناعي فعلياً كيمياء جديدة كانت سليمة كيميائياً ومنطقية علمياً، رغم أنه لم يتم تعليمه تلك الأشكال المحددة.

لماذا يهم هذا؟

فكر في اكتشاف الأدوية كاستكشاف غابة مظلمة.

الطريقة القديمة: أنت تسير فقط في المسارات التي مهدها الآخرون بالفعل. لا يمكنك العثود لشيء جديد.
هذه الطريقة الجديدة: لديك مصباح يدوي (الذكاء الاصطناعي) لا يكتفي فقط بالسير في المسارات، بل يسلط الضوء أيضاً على الشجيرات والأشجار. إنه يجد مسارات ونباتات جديدة لم يكن أحد يعرف بوجودها.

تظهر هذه الورقة البحثية أننا يمكننا استخدام الذكاء الاصطناعي ليس فقط لنسخ الأدوية الموجودة، بل لـ تخيل أدوية جديدة مصممة بدقة للإمساك ببروتينات الأمراض، مما قد يؤدي إلى علاجات أفضل للسرطان وغيره من الأمراض. يعمل الذكاء الاصطناعي هنا كشريك إبداعي للعلماء البشر، يقترح عليهم أفكاراً قد يكون البشر أكثر حذراً أو تركيزاً على التقاليد من أن يفكروا فيها.

إليك ملخص تقني مفصل لورقة البحث بعنوان "التعلم التعزيزي متعدد الأهداف لتوليد مرشحي المثبطات التساهمية" للباحثة ريني جيل.

1. بيان المشكلة

إن التصميم العقلاني للمثبطات التساهمية أكثر تعقيداً بشكل ملحوظ من تصميم الأدوية غير التساهمية. تتطلب المثبطات التساهمية آلية ذات خطوتين: ارتباط غير تساهمي أولي يليه تفاعل غير عكسي بين "رأس حربي" (warhead) إلكتروفيلي وبقايا نيوكليوفيلية في البروتين المستهدف.

التحدي: يجب على المصممين تحسين أهداف متعددة، غالباً ما تكون متضاربة، في آن واحد: ألفة الارتباط، انتقائية الهدف، التفاعلية الإلكتروفيلية، القابلية للتصنيع، والتموضع الهندسي الدقيق للرأس الحربي بالنسبة للبقايا المستهدفة.
قصور الطرق الحالية: يقتصر الفحص الافتراضي التقليدي على استكشاف المكتبات الكيميائية الموجودة ولا يمكنه بسهولة توليد هياكل جديدة تلبي هذه المتطلبات متعددة القيود. وبينما تم تطبيق التعلم التعزيزي (RL) في مجالات عامة لاكتشاف الأدوية، فإن تطبيقه المحدد على القيود الفريدة للمثبطات التساهمية لا يزال غير مستكشف بشكل كافٍ.

2. المنهجية

طوّر المؤلفون خط معالجة يعتمد على التعلم التعزيزي متعدد الأهداف (Multi-Objective RL) مصمماً خصيصاً لتوليد المثبطات التساهمية. يتكون النظام من ثلاثة مكونات أساسية:

أ. النموذج التوليدي

البنية: نموذج ذاكرة طويلة قصيرة المدى (LSTM) يعتمد على تمثيل SMILES، تم تنفيذه عبر إطار عمل DrugEx.
التدريب المسبق: بدلاً من التدريب من الصفر، تم تهيئة النموذج باستخدام نموذج LSTM مدرب مسبقاً على مجموعة بيانات Papyrus (1.27 مليون بنية فريدة من ChEMBL وPubChem وPDBBind وBindingDB). يضمن ذلك أن المنتج يولد جزيئات صالحة كيميائياً.

ب. وظائف التسجيل (آلية المكافأة)

يقوم وكيل التعلم التعزيزي بتحسين مجموع مرجح لعدة وظائف تسجيل. وللتعامل مع الأهداف المتضاربة، يستخدم النظام مسافة الازدحام لباريتو (PCD) للحفاظ على تنوع الجمهرة. تشمل المسجلات الرئيسية ما يلي:

قيود الصلاحية (العتبات الصارمة):
- الصلاحية: صحة قواعد لغة SMILES.
- القابلية للتصنيع (SA): درجة Ertl et al (العتبة $\le$ 6).
- النشاط التساهمي: احتمالية التفاعلية التساهمية المتوقعة بواسطة مصنف GCNII (العتبة $p \ge$ 0.75).
- ألفة البقايا: احتمالية التفاعل مع فئات بقايا محددة (Cys أو Ser/Thr) المتوقعة بواسطة مصنف شبكة الانتباه الرسومية (GAT) مخصص (العتبة $p \ge$ 0.75).
- تقريب درجة الإرساء (Docking Score): شبكة عصبية رسومية (GNN) تقرب درجات AutoDock Vina (العتبة $\le$ -6.0 كيلو كالوري/مول).
أهداف التحسين:
- التداخل الهيكلي: درجة المحاذاة ثلاثية الأبعاد مقابل المثبطات المرجعية المعروفة (مثل Osimertinib لبروتين EGFR).
- تشابه تانيموتو (Tanimoto Similarity): تشابه البصمة مع الهياكل المرجعية (مثل Quinoline).
- QED: التقدير الكمي لدرجة تشبه الدواء.

ج. خوارزمية التعلم التعزيزي

التحسين: يستخدم مخطط تدرج السياسة (اتباعاً لـ Šícho et al) لتعظيم المكافأة $R^*$ .
الحفاظ على التنوع: يتم ترتيب الحلول حسب هيمنة باريتو. وضمن كل جبهة، يتم حساب مسافة ازدحام باريتو (PCD) لتفضيل الحلول المنتشرة جيداً في فضاء الأهداف، مما يمنع المولد من الانهيار في حد أمثل محلي واحد.

د. تحديد الرأس الحربي والتحقق

تحديد الرأس الحربي: نظراً لأن تحديد الرؤوس الحربية يدوياً في الهياكل المولدة أمر غير عملي، استخدم المؤلفون تقنية GradCAM (رسم خرائط التنشيط الموزون بالتدرج) المعدلة للشبكات العصبية الرسومية (GNNs). تم وسم الذرات ذات التنشيط الطبيعي $>0.3$ كمنطقة الرأس الحربي.
التحقق: خضعت أفضل المرشحات لعملية إرساء كاملة (باستخدام DOCKSTRING) للتحقق من المسافات بين الرأس الحربي والبقايا (على سبيل المثال، المسافة إلى Cys797 لـ EGFR، وSer200 لـ ACHE).

3. المساهمات الرئيسية

خط معالجة متخصص للتعلم التعزيزي: أول تطبيق للتعلم التعزيزي متعدد الأهداف المصمم خصيصاً لتوليد المثبطات التساهمية، مع دمج مصنفات ألفة البقايا وقيود هندسة الرأس الحربي.
نماذج تسجيل مبتكرة: تطوير مصنف ألفة البقايا القائم على GAT ومقرب درجة الإرساء القائم على GNN والمدرب على مجموعة بيانات ProteinReactiveDB.
اكتشاف رؤوس حربية غير نمطية: نجح خط المعالجة تلقائياً في توليد هياكل كيميائية تحتوي على نماذج رؤوس حربية غائبة عن بيانات التدريب (ProteinReactiveDB)، بما في ذلك:
- الألينات (Allenes)
- 3-Oxo- $\beta$ -sultams
- $\alpha$ -Methylene- $\beta$ -lactones
- الأهمية: تم التحقق من هذه الهياكل مقابل الأدبيات العلمية كرؤوس حربية تساهمية معروفة، مما أظهر قدرة النموذج على الاستقراء خارج نطاق توزيع بيانات التدريب.

4. النتائج

تم اختبار خط المعالجة على هدفين: EGFR (يستهدف Cys797) وAcetylcholinesterase (ACHE) (يستهدف Ser200).

معدلات إعادة الاكتشاف:
- EGFR: معدل إعادة اكتشاف يصل إلى 0.50% (نموذج EGFR-3) في 10,000 هيكل مولد.
- ACHE: معدل إعادة اكتشاف يصل إلى 0.74% (نموذج ACHE-3).
التحقق الهندسي:
- EGFR: حقق أفضل مرشح مسافة بين الرأس الحربي وCys797 بلغت 5.5 Å (مقارنة بـ 3.35 Å في بنية كريستال Osimertinib).
- ACHE: حقق أفضل مرشح مسافة بين الرأس الحربي وSer200 بلغت 3.2 Å (مسار الكربونيل).
استكشاف الفضاء الكيميائي:
- نجحت النماذج في إعادة اكتشاف المثبطات المعروفة (مثل Osimertinib ومشتقات Malathion).
- والأهم من ذلك، ولدت النماذج رؤوساً حربية غير نمطية (مثل $\alpha$ -methylene- $\beta$ -lactones) لم تكن موجودة في مجموعة التدريب ولكنها مدعومة بالأدبيات المستقلة، مما يثبت قدرة النظام على استكشاف مناطق جديدة من الفضاء الكيميائي التساهمي.
أداء النموذج:
- حققت نماذج تقريب الإرساء دقة عالية ( $R^2 = 0.86$ لـ EGFR، $0.75$ لـ ACHE).
- أدى إضافة الكثير من القيود (كما في EGFR-4 وACHE-4) إلى تقليل عدد الهياكل "المرغوبة"، مما يسلط الض الضوء على صعوبة تلبية جميع الأهداف في وقت واحد.

5. الأهمية والخاتمة

يُظهر هذا العمل أن التعلم التعزيزي متعدد الأهداف أداة قوية لاكتشاف الأدوية التساهمية.

ما وراء بيانات التدريب: النتيجة الأكثر أهمية هي قدرة النموذج على "تخيل" (hallucinate) هياكل رؤوس حربية صالحة كيميائياً وجديدة لم تكن موجودة في بيانات التدريب ولكنها سليمة كيميائياً. يشير هذا إلى أن التعلم التعزيزي يمكنه فعلياً التنقل في الفضاء الكيميائي خارج توزيع المركبات المعروفة.
الفائدة العملية: يعمل خط المعالجة كنقطة انطلاق قابلة للتطبيق للكيميائيين الطبيين، حيث يولد مرشحين بجيومتري (هندسة) صحيح بين الرأس الحربي والبقايا وألفة عالية للتصنيع.
الآفاق المستقبلية: بينما تعتمد الدراسة على التقريبات (درجات الإرساء عبر GNN، وتوسيم الرأس الحربي عبر GradCAM)، فإن النتائج تشير إلى أن دمج الذكاء الاصطناعي التوليدي مع قيود تساهمية محددة يمكن أن يسرع اكتشاف الجيل القادم من العلاجات التساهمية، خاصة للأهداف ذات الجيوب الضحلة أو طفرات المقاومة.

المحددات: يقر المؤلفون بأن وظائف التسجيل هي نفسها نماذج تعلم آلي مدربة على بيانات محدودة، مما قد يرث بعض التحيزات. علاوة على ذلك، فإن مسافات الرأس الحربي هي تقديرات؛ ويظل التحقق التجريبي هو الاختبار الحاسم للنشاط المثبط.