PGFS++: Molecular Property Improvement under Synthesis and Diversity Constraints
تقدم هذه الورقة البحثية إطار عمل PGFS++، وهو إطار تعلم تعزيزي مدرك للتخليق يعمل على تحسين الخصائص الجزيئية مع الحفاظ على تنوع المخرجات وتوفير مسارات تخليق صريحة من خلال معالجة قيود اختيار المتفاعلات وانهيار التنوع الناتج عن استغلال المكافأة الموجود في سلفه، +PGFS.
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
في المراحل الأولى من ابتكار أدوية جديدة، يواجه العلماء عملية توازن مستمرة؛ إذ يتعين عليهم تصميم جزيئات تكون قوية بما يكفي لمحاربة المرض، ولكن يجب عليهم أيضًا التأكد من إمكانية بناء هذه الجزيئات فعليًا في المختبر. لسنوات، ساعد الذكاء الاصطناعي في توليد هياكل جزيئية جديدة، وغالبًا ما كان يعمل على تحسينها لسمات محددة مثل مدى جودة ارتباطها بفيروس ما أو مدى سلامتها على جسم الإنسان. ومع ذلك، ظل هناك فجوة كبيرة: فالعديد من هذه التصاميم المولدة حاسوبيًا تكون صالحة كيميائيًا على الورق، ولكن يستحيل تصنيعها باستخدام الأدوات والمكونات المتاحة في المختبرات الواقعية. ولجسر هذه الفجوة، لجأ الباحثون إلى طريقة تسمى "التخليق الأمامي" (forward synthesis)، والتي تعامل إنشاء الدواء كمشروع بناء خطوة بخطوة، يبدأ من جزيء معروف ويضيف قطعًا واحدة تلو الأخرى باستخدام تفاعلات كيميائية راسخة. والهدف هو توجيه الكمبيوتر ليس فقط نحو جزيء أفضل، بل نحو جزيء أفضل يأتي مع دليل تعليمات واضح وقابل للتنفيذ حول كيفية بنائه.
قام فريق من الباحثين في جامعة كامبريدج وشركة "غراف كور" (Graphcore) بتطوير نظام جديد يسمى ++PGFS لحل مشكلة محددة ظهرت عند محاولة أتمتة هذه العملية. يعتمد عملهم على طريقة سابقة تُعرف باسم PGFS، والتي استخدمت نوعًا من تعلم الذكاء الاصطناعي يُسمى "التعلم التعزيزي". في هذا الإعداد، يعمل الكمبيوتر كـ "وكيل" يحاول تحسين جزيء ابتدائي عبر اختيار التفاعلات الكيميائية واللبنات الأساسية. النسخة السابقة من هذا النظام، وهي ترقية أطلقوا عليها اسم +PGFS، عملت بشكل جيد في إيجاد جزيئات ذات خصائص محسنة، لكنها عانت من خلل غريب؛ فقد أصبح النظام فعالاً للغاية في إيجاد حل واحد عالي المكافأة. فبدلاً من إنشاء مجموعة متنوعة من النسخ المحسنة لمواد أولية مختلفة، كان يقوم بتوجيه مئات الجزيئات المدخلة المختلفة نحو المنتج النهائي نفسه تمامًا. ويسمي الباحثون هذا بـ "تأثير المغناطيس"، حيث يتم جذب النظام نحو نتيجة واحدة عالية الدرجة، مما يؤدي إلى انهيار تنوع النتائج وجعل الأداة عديمة الفائدة لإنشاء تحسينات مخصصة لأدوية معينة.
ولإصلاح ذلك، قدم الفريق نظام ++PGFS، وهو إطار عمل مطور يجبر الكمبيوتر على الحفاظ على الرابط بين المادة الأولية والنتيجة النهائية. لا يزال النظام يعمل من خلال اختيار نماذج التفاعل واللبنات الأساسية المتوافقة من مكتبة ضخمة تضم أكثر من 118,000 مكون كيميائي متاح. وهو يستخدم خريطة محسوبة مسبقًا لتحديد اللبنات التي يمكن أن تتفاعل قانونيًا مع جزء معين من الجزيء بسرعة، مما يقلص ملايين الاحتمالات إلى قائمة يمكن إدارتها. يكمن الابتكار الرئيسي في كيفية مكافأة النظام لنفسه؛ ففي النسخة السابقة، كان الكمبيوتر يُكافأ فقط إذا كان للجزيء النهائي خصائص أفضل، مما شجعها على تجاهل نقطة البداية تمامًا. أما في ++PGFS، فيتضمن نظام المكافأة مكافأة إضافية للحفاظ على التشابه الهيكلي مع المدخل الأصلي. وهذا يعني أن الكمبيوتر يُعاقب إذا ابتعد كثيرًا عن الجزيء الابتدائي، مما يضمن أن التحسينات محددة لذلك المرشح الدوائي بعينه بدلاً من أن تكون حلاً عامًا يناسب الجميع.
تم اختبار نتائج هذا النهج الجديد على مقياسين شائعين لجودة الدواء: درجة لمدى كون الجزيء "شبيهًا بالدواء" ودرجة لمدى سهولة تخليقه. وعندما أجرى الباحثون عمليات محاكاة باستخدام آلاف الجزيئات الابتدائية المختلفة، نجح النظام الجديد في تحسين الخصائص المستهدفة مع الحفاظ على تنوع المخرجات. وعلى عكس النسخة السابقة، التي أنتجت جزيئات متطابقة تقريبًا لكل مدخل، أنتج ++PGFS مجموعة واسعة من الهياكل الفريدة والمحسنة. كما حافظ النظام على درجات عالية من إمكانية الوصول التخليقي، مما يعني أن المسارات التي وجدها كانت عملية لكي يتبعها الكيميائيون. ومن خلال منع الانهيار في حل "المغناطيس" الواحد، أثبت الباحثون أنه من الممكن تحسين المرشحات الدوائية لاحتياجات محددة دون التضحية بالتنوع المطلوب لاستكشاف الإمكانيات الكيميائية المختلفة. ويشير هذا العمل إلى أن أدوات اكتشاف الأدوية المستقبلية يمكن أن تكون فعالة للغاية في تحسين الخصائص الجزيئية ومحترمة في الوقت نفسه لنقاط البداية الفريدة التي تحدد البحث الواقعي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.