ScreenShot: A Foundation Model for Few-Shot Combination Drug Screening
إن ScreenShot هو نموذج محول تأسيسي هرمي يستفيد من التعلم في السياق على 40 مجموعة بيانات لفحص الأدوية للتنبؤ بدقة باستجابات المرضى للعلاجات المشتركة باستخدام سياق وظيفي قليل العينات فقط، مما يلغي الحاجة إلى التنميط الجزيئي أو الضبط الدقيق مع تمكين التصميم التجريبي منخفض التكلفة من خلال التعلم النشط.
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 محقق يحاول حل لغز، ولكن بدلاً من بصمات الأصابع أو الحمض النووي، تكون أدلتك عبارة عن قطرات صغيرة من السائل والمشتبه بهم هم آلاف الأدوية المختلفة. في عالم علاج السرطان، يستخدم الأطباء غالبًا "كوكتيل" من الأدوية بدلاً من دواء واحد فقط، لأن الخلا السرطانية مراوغة ويمكنها تعلم كيفية مقاومة مهاجم واحد. وللعثور على الكوكتيل المثالي، يتعين على العلماء عادةً اختبار كل مزيج ممكن من الأدوية على خلايا المريض في المختبر. هذا يشبه محاولة العثين على إبرة في كومة قش عن طريق سحب كل قطعة قش واحدة تلو الأخرى؛ الأمر يستغرق وقتاً طويلاً، ويكلف ثروة، وغالباً لا يتوفر ما يكفي من القش (أو خلايا المريض) للقيام بذلك.
هنا يأتي دور فكرة "التنبؤ بالمستقبل". لقد كان العلماء يبنون نماذج حاسوبية لتخمين أي من مزيجات الأدوية ستنجح دون الحاجة لاختبارها جميعاً. لكن معظم هذه النماذج تشبه الطلاب الذين ينجحون في الاختبار فقط إذا حفظوا كتاباً مدرسياً محدداً لهذا الفصل الدراسي؛ فهي تحتاج إلى كمية هائلة من البيانات البيولوجية التفصيلية (مثل الشفرة الجينية للمريض) لجعل التخمين دقيقاً. وإذا كانت هذه البيانات مفقودة أو غير منظمة -وهو أمر يحدث كثيراً مع المرضى الحقيقيين- فإن هذه النماذج تصاب بالارتباك. السؤال الكبير هو: هل يمكننا بناء ذكاء اصطناعي فائق الذكاء يتعلم من جميع تجارب الأدوية التي أُجريت على الإطلاق، بحيث يمكنه النظر إلى مجرد بضعة أدلة جديدة من مريض واحد وتخمين أفضل علاج فوراً، دون الحاجة إلى أي بيانات بيولوجية إضافية؟
إليك ScreenShot، وهي أداة ذكاء اصطناعي جديدة طورها باحثون في مركز ميموريال سلون كيتيرينج للسرطان تحاول الإجابة بـ "نعم" على هذا السؤال. لا تنظر إلى ScreenShot كطالب حفظ كتاباً مدرسياً، بل كطاهٍ ماهر تذوق ملايين الأطباق المختلفة. فبدلاً من الحاجة إلى معرفة قائمة المكونات الدقيقة (الشفرة الجينية) لطبق جديد لتخمين مذاقه، ينظر ScreenShot إلى اللقمات القليلة التي تناولتها بالفعل ويقول: "آه، بناءً على كيف كان مذاق هذا مع الملح والفلفل، أراهن أنه سيكون رائعاً مع الثوم والزعتر".
بنى الباحثون هذا الذكاء الاصطناعي على "أساس" ضخم من البيانات، حيث تم تدريبه على حوالي 30 مليون قياس من 40 مجموعة بيانات مختلفة لفحص الأدوية. تضمن هذا التدريب ما يقرب من 3,700 دواء مختلف تم اختبارها على 6,000 عينة بيولوجية (مثل خلايا السرطان المستزرعة في المختبر أو "الأعضاء الصغيرة" المستمدة من المرضى). تعلم الذكاء الاصطناعي أنماط تفاعل الأدوية مع الخلايا بمجرد النظر إلى النتائج: أي دواء، وبأي جرعة، جعل الخلايا تعيش أو تموت.
إليك الخدعة السحرية: يستخدم ScreenShot تقنية تسمى "التعلم في السياق" (in-context learning). تخيل أنك تعرض على الذكاء الاصطناعي بضعة نتائج اختبار من مريض جديد (على سبيل المثال، 50 أو 100 تجربة). لا يحتاج الذكاء الاصطناعي لإعادة تدريبه أو "ضبطه بدقة" لهذا المريض تحديداً؛ بل يستخدم فوراً تلك الأمثلة القليلة كـ "نافذة سياقية" للتنبؤ بنتائج آلاف مجموعات الأدو تعمل معاً والتي لم يرها من قبل. وهو يفعل ذلك مباشرة من خلال النتائج الوظيفية (هل نجت الخلية أم لا؟) دون الحاجة إلى أي توصيف جيني.
تجد الورقة البحثية أن ScreenShot بارع للغاية في هذا الأمر. فعند اختباره على أربع مجموعات بيانات جديدة وغير مرئية، تفوق على جميع الطرق الأفضل السابقة في كل من الدقة وفي إيجاد "الضربات الناجحة" (hits)—وهي مجموعات الأدوية التي تقتل الخلايا السرطانية بالفعل بينما تترك الخلايا السليمة وشأنها. في الواقع، في بعض الاختبارات، كان أسرع من الطرق الأخرى بمقدار 5 إلى 50 مرة.
لكن الباحثين لم يتوقفوا عند مجرد التنبؤ؛ بل علموا أيضاً ScreenShot كيف يكون "تجريبياً ذكياً". فقد ابتكروا استراتيجية تسمى "التعلم النشط" (active learning). فبدلاً من اختبار الأدوية عشوائياً، يستخدم ScreenShot توقعاته الخاصة ليقرر أي التجارب يجب إجراؤها تالياً. إنه يشبه المحقق الذي، بعد استجواب عدد قليل من المشتبه بهم، يقرر التركيز على المتهمين الأكثر احتمالاً بدلاً من استجواب الجميع في المدينة. وتظهر الورقة البحثية أنه باستخدام هذه الاستراتيجية الذكية، يمكن لـ ScreenShot العث find نفس العدد من الضربات الدوائية الفعالة كما في البحث العشوائي، ولكنه يحتاج فقط إلى إجراء ثلث التجارب. وهذا يعني توفير كمية هائلة من الوقت والمال وخلايا المرضى الثمينة.
ومن أكثر الأشياء إثارة للإعجاب في ScreenShot هو أنه يعمل حتى عندما يكون الدواء جديداً أو غير معروف للنظام. فإذا كان الدواء غير موجود في بيانات التدريب الخاصة به، يستخدم ScreenShot "رمزاً مجهولاً" خاصاً لتخمين سلوكه بناءً على الأدلة القليلة المتاحة من المريض الحالي، بدلاً من الفشل تماماً.
باختصار، تشير الورقة البحثية إلى أن ScreenShot أداة قوية جديدة يمكنها جعل فحص الأدوية أكثر كفاءة. وهي تشير إلى أنه يمكننا الانتقال من الطرق المكلفة والبطيئة والمستهلكة للبيانات نحو نظام يتعلم من الماضي لتوجيه المستقبل، مما قد يساعد الأطباء في العثور على "كوكتيل" الدواء المناسب للمريض بشكل أسرع بكثير. وبينما كانت النتائج قوية في عمليات المحاكاة الحاسوبية واختبارات البيانات المستبعدة، إلا أن الورقة تقدم هذا كخطوة مهمة للأمام في المختبر، مما يمهد الطريق لتجارب أكثر كفاءة في العالم الحقيقي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.