Benchmarking open-source tools for in silico antiviral drug discovery
تدعو هذه الورقة إلى زيادة الاستثمار في اكتشاف الأدوية المضادة للفيروسات من خلال تقديم مسح شامل للأدوات مفتوحة المصدر، ومجموعة بيانات منسقة تضم 43,005 من التفاعلات بين البروتين الفيروسي والربيطة، ومعيار مرجعي لـ 15 نموذجاً قائماً على الذكاء الاصطناعي يوضح الأداء المتفوق لنهج التعلم الآلي المضبط بدقة مثل Boltz-2 وDrugFormDTA في التنبؤ بآليات الارتباط.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
الصورة الكبيرة: سباق ضد فيروس
تخيل ظهور فيروس جديد عند الباب. يرى مؤلفو هذه الورقة البحثية أنه بينما تُعد اللقاحات أمراً رائعاً، إلا أنها تستغرق وقتاً لبنائها ولا تعمل مع الجميع. الأدوية المضادة للفيروسات هي "طفايات الحريق" التي نحتاجها الآن. يمكن نشرها بسرعة، خاصة إذا استطعنا العثور على أدوية موجودة بالفعل تعمل ضد فيروسات أخرى واستخدامها ببساطة لهذا الفيروس الجديد (وهي عملية تسمى إعادة توظيف الأدوية).
ومع ذلك، هناك مشكلة: ليس لدينا خريطة جيدة توضح أي الأدوية تعمل ضد أي فيروسات. هذه الورقة هي محاولة لبناء تلك الخريطة باستخدام الكمبيوتر.
المشكلة: مكتبة فوضوية
لتعليم الكمبيوتر كيفية التنبؤ بما إذا كان الدواء سيقتل فيروساً ما، فأنت بحاجة إلى مكتبة ضخمة من البيانات: "الدواء X يناسب بروتين الفيروس Y".
ذهب المؤلفون إلى أكبر مكتبة متاحة، وتسمى BindingDB، للحصول على هذه البيانات. لكنهم وجدوا أن المكتبة كانت كارثية.
- لغز "البروتين المتعدد" (Polyprotein): العديد من الفيروسات (مثل SARS-CoV-2) تكتب تعليماتها كسلسلة واحدة طويلة وضخمة من النصوص (بروتين متعدد) تحتاج إلى تقطيع إلى قطع أصغر وظيفية. كانت المكتبة تحتوي على آلاف المدخلات حيث كانت البيانات مرتبطة بالسلسلة الضخمة الكاملة بدلاً من القطعة المقطوعة المحددة (الهدف الفعلي).
- الحل: تصرف المؤلفون كأمين مكتبة ينظف الفوضى. قاموا يدوياً (وبمساعدة الذكاء الاصطناعي) بتقطيع تلك السلاسل الضخمة إلى القطع الصحيحة. ووجدوا أن 31% من بيانات الفيروسات كانت غير قابلة للاستخدام حتى قاموا بعملية "التقطيع" هذه. بمجرد تنظيفها، حصلوا على مجموعة بيانات عالية الجودة تضم 43,005 تفاعلاً بين الدواء والبروتين.
الاختبار: سباق بين الأدوات
بمجرد حصولهم على بياناتهم النظيفة، أرادوا معرفة أي الأدوات الحاسوبية هي الأفضل في التنبؤ بما إذا كان الدواء سيلتصق بالفيروس. لقد نظموا سباقاً لـ 15 أداة مختلفة مفتوحة المصدر (برمجيات مجانية يمكن لأي شخص استخدامها).
فكر في هذه الأدوات كأنواع مختلفة من المحققين الذين يحاولون حل لغز:
- محققو الإرساء (Docking Detectives): تحاول هذه الأدوات محاكاة كيفية ملاءمة جزيء الدواء لبروتين الفيروس فيزيائياً، مثل محاولة إدخال مفتاح في قفل. وهي تستخدم الفيزياء والهندسة.
- الفائز: كانت أداة GNINA هي الأفضل في هذا المجال. إنها تشبه محققاً لديه نموذج ثلاثي الأبعاد دقيق جداً للقفل.
- متنبئو الذكاء الاصطناعي (AI Predictors): تستخدم هذه الأدوات التعلم الآلي (الذكاء الاصطناعي) للبحث عن الأنماط. هي لا تبني بالضرورة نموذجاً ثلاثي الأبعاد؛ بل تنظر فقط إلى "شكل" البيانات وتخمن.
- الفائزون: كانت أدوات Boltz-2 و DrugFormDTA هي الأفضل هنا.
- المفاجأة: أخذ المؤلفون بياناتهم المنظفة واستخدموها لـ "تدريب" (تعليم) نموذج DrugFormDTA. كان هذا يشبه إعطاء دليل دراسي محدد للمحقق لهذا الفيروس تحديداً. والنتي نتيجة؟ أصبح النموذج أكثر ذكاءً بكثير، حيث قفز من معامل ارتباط قدره 0.5 (مثل رمي العملة المعدنية) إلى 0.7 (تنبؤ قوي).
النتائج: لا يوجد "رصاصة سحرية" واحدة
اختبرت الورقة هذه الأدوات على 853 دواءً مختلفاً عبر 10 فيروسات مختلفة.
- الخلاصة: لا توجد أداة واحدة تفوز في كل مرة.
- Boltz-2 كانت رائعة في التنبؤ بكيفية ارتباط الأدوية بفيروس نقص المناعة البشرية (HIV)، لكنها واجهت صعوبة مع SARS-CoV-2 (على الأرجح بسبب فوضى "البروتين المتعدد" المذكورة سابقاً والتي أربكتها).
- GNINA (أداة الإرساء) كانت متسقة جداً ولكنها أبطأ.
- DrugFormDTA (أداة الذكاء الاصطناعي) أصبحت هي البطلة بعد تدريبها على بيانات المؤلفين المحددة والمنظمة.
المجموعة الأدوات التي بنوها
بعيداً عن مجرد اختبار الأدوات، بنى المؤلفون بعض الموارد ليستخدمها العلماء الآخرون:
- مجموعة بيانات نظيفة: قائمة منسقة تضم أكثر من 43,000 تفاعل بين الأدوية والفيروسات، تم إصلاحها وهي جاهزة للاستخدام.
- مكتبة أدوية: قائمة بالأدوة المعتمدة، والمركبات الطبيعية الآمنة، ومضادات الفيروسات قيد الاستقصاء.
- لوحة تحكم: موقع إلكتروني (
antivirals-database.radvac.org) حيث يمكن للناس البحث عن هذه الأدوية.
ما لم يذكروا (ما لم يدّعوه)
من المهم الالتزام بما تدعيه الورقة البحثية فعلياً:
- هم لم يكتشفوا علاجاً جديداً لفيروس ما.
- هم لم يختبروا هذه الأدوية على البشر أو الحيوانات في هذه الدراسة.
- هم لم يدّعوا أن أداة واحدة محددة هي المثالية للمستقبل.
- هم ببساطة أظهروا أن تنظيف البيانات يجعل عمل الكمبيوتر يعمل بشكل أفضل، وأن الأدوات المختلفة لها نقاط قوة مختلفة اعتماداً على الفيروس المحدد.
تشبيه ملخص
تخيل أنك تحاول التنبيد بأي المفاتيح تفتح أي أقفال في مستودع ضخم وفوضوي.
- الطريقة القديمة: تأخذ كومة من المفاتيح والأقفال من المستودع، لكن العديد من الأقفال لا تزال ملتصقة ببعضها في حزم ضخمة. تحاول تخمين أي مفتاح يناسب، لكنك تفشل باستمرار لأن الأقفال بالحجم الخاطئ.
- عمل هذه الورقة: ذهب المؤلفون، وقاموا بفك جميع تلك الحزم، ونظموا الأقفال بشكل صحيح.
- التجربة: أعطوا هذه الكومة المنظمة لـ 15 "آلة تخمين" مختلفة (بعضها يستخدم الفيزياء، وبعضها يستخدم الذكاء الاصطناعي).
- النتيجة: وجدوا أن آلة الذكاء الاصطناعي تعلمت بشكل أسرع عندما تم تعليمها باستخدام كومتهم المنظمة حديثاً. كما وجدوا أن أفضل آلة لنوع معين من الأقفال (HIV) لم تكن بالضرورة هي الأفضل لنوع آخر (فيروس كورونا).
تخلص الورقة إلى أنه إذا أردنا أن نكون مستعدين للجائحة القادمة، فنحن بحاجة إلى الاستثمار في تنظيف البيانات بشكل أفضل وأدوات حاسوبية أفضل للعثور على هذه "المفاتيح" بشكل أسرع.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.