Conditional GraphGANFed: Optimizing Graph-Structured Molecule Generation in Federated Generative Adversarial Networks
تقدم هذه الورقة البحثية cGraphGANFed، وهو امتداد مبتكر لنموذج GraphGANFed يدمج شبكة ناقدة لتوجيه توليد جزيئات عالية الجودة وصحيحة كيميائياً في بيئة اتحادية، مع تحسين المقاييس المحددة من قبل المستخدم مثل QED وLogP في آن واحد، مما يجعله يتفوق على النموذج الأصلي في كل من التحسين متعدد المقاييس وتعزيز الهدف المنفرد.
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
غالباً ما يبدو البحث عن أدوية جديدة كالبحث عن إبرة محددة في كومة قش يتغير شكلها باستمرار. يحتاج العلماء إلى ابتكار هياكل جزيئية جديدة تماماً — وهي ترتيبات دقيقة للذرات — يمكنها التفاعل مع جسم الإنسان لعلاج الأمراض. تكمن المشكلة في أن فضاء الجزيئات المحتملة واسع ومعقد للغاية، لدرجة أن محاولة العثور على جزيء مفيد عن طريق الصدفة العشوائية تكاد تكون مستحيلة. تتضمن الطرق التقليدية إنشاء مكتبات ضخمة من المرشحين المحتملين وتصفيتها، لكن هذه العملية بطيئة وغالباً ما تقتصر على تركيبات من الأجزاء الموجودة بالفعل في المكتبات المعروفة. ولتسريع وتيرة العمل، لجأ الباحثون إلى الذكاء الاصطناعي، وتحديداً نوع من البرامج الحاسوبية يسمى "الشبكة التنافسية التوليدية" (Generative Adversarial Network). تعمل هذه البرامج مثل زوج من الفنانين المتنافسين: أحدهما يحاول إنشاء جزيئات مزيفة تبدو حقيقية، بينما يحاول الآخر اكتشاف التزييف. ومع مرور الوقت، يصبح المبتكر بارعاً جداً في عمله لدرجة أنه ينتج جزيئات جديدة وصحيحة تماماً. ومع ذلك، هناك عقبة؛ فبينما تستطيع هذه البرامج صنع جزيئات تبدو صحيحة كيميائياً، إلا أنها تواجه صعوبة في صنع جزيئات محسنة أيضاً لأهداف محددة، مثل أن تكون آمنة للبشر أو تذوب جيداً في الماء. علاوة على ذلك، فإن البيانات اللازمة لتدريب هذه البرامج غالباً ما تكون مغلقة في قواعد بيانات صيدلانية خاصة بسبب قوانين الخصوصية الصارمة، مما يجعل من الصعب على الباحثين تجميع معرفتهم وتدريب نماذج أفضل معاً.
قام فريق من الباحثين بتطوير نظام جديد يسمى "conditional GraphGANFed" لحل هاتين المشكلتين المتمثلتين في التخصيص والخصوصية. يعتمد نهجهم على طريقة سابقة جمعت بين التعلم القائم على الرسوم البيانية وتقنية تحافظ على الخصوصية تُعرف باسم "التعلم الاتحادي" (Federated Learning). في هذا الإعداد، يمكن لعدة شركات صيدلانية تدريب نموذج ذكاء اصطناعي مشترك دون مشاركة بياناتها الكيميائية الفعلية أبداً. تحتفظ كل شركة ببياناتها على خوادمها المحلية، وتدرب النموذج محلياً، وترسل فقط الأنماط المتعلمة إلى منسق مركزي. الابتكار الجديد في هذه الدراسة هو إضافة مكون ثالث إلى النظام المكون عادة من جزأين: "الناقد" (Critic). فبينما كان النظام الأصلي يحتوي على "مولد" لصنع الجزيئات و"مميز" ليحدد ما إذا كانت تبدو حقيقية، يعمل الناقد الجديد كحكم متخصص يقيم الجزيئات بناءً على أهداف محددة يحددها المستخدم. إذا أراد باحث الحصول على جزيء من المرجح جداً أن يكون دواءً، يقوم الناقد بتقييم الجزيئات المولدة بناءً على هذه الجودة المحددة ويغذي تلك النتيجة مرة أخرى في المولد، مما يوجهه لإنشاء مرشحين أفضل.
اختبر الباحثون هذا النظام الجديد من خلال عمليات محاكاة حاسوبية مكثفة باستخدام ثلاث مجموعات مختلفة من البيانات الجزيئية. حيث أعدوا سيناريوهات يتعين فيها على النظام التعلم من بيانات إما موزعة بالتساوي بين الحواسيب المشاركة أو موزعة بشكل غير متساوٍ، وهو تحدٍ شائع في التعلم الاتحادي في العالم الحقيقي. في إحدى مجموعات الاختبارات، طُلب من النظام تحسين جميع المقاييس السبعة القياسية للجودة الجزيئية في آن واحد. وأظهرت النتائج أن النظام الجديد مع "الناقد" تفوق بشكل كبير على النسخة القديمة؛ فقد أنتج جزيئات كانت أكثر صحة من الناحية الكيميائية وتمتلك خصائص أفضل للذوبان في الدهون مقابل الماء، وهو عامل رئيسي في كيفية انتقال الأدوية عبر الجسم. وبينما نجح النظام القديم في إنشاء جزيئات صحيحة، فعل النظام الجديد ذلك بشكل أكثر موثوقية ومع تفوق طفيف في "شبه الدواء" (Drug-likeness) الإجمالية. وفي مجموعة أخرى من الاختبارات، ركز الباحثون النظام على هدف واحد: تعظيم درجة "شبه الدواء". وهنا، كان التحسن أكثر لفتاً للنظر؛ إذ أنتج النظام الجديد جزيئات أفضل بنسبة تزيد عن عشرة بالمئة في تحقيق هذا الهدف المحدد مقارنة بالجزيئات التي أنتجتها الطريقة القديمة.
بعيداً عن مجرد صنع جزيئات أفضل، أثبت النظام الجديد أنه أكثر استقراراً ومرونة. في مجال الذكاء الاصطناعي، توجد مشكلة شائعة تسمى "انهيار النمط" (Mode Collapse)، حيث يعلق المولد في إنتاج نفس الجزيئات المتكررة القليلة لأنه وجد حيلة لخداع الحكم، بدلاً من استكشاف احتمالات جديدة. وجد الباحثون أن النظام القديم كان عرضة لهذه المشكلة، خاصة عندما كانت البيانات محدودة أو غير متساوية التوزيع. أما النظام الجديد، بوجود الناقد المضاف إليه، فقد قاوم هذا الانهيار بشكل أكثر فعالية، واستمر في إنتاج مجموعة متنوعة من الهياكل الجزيئية الفريدة. كما أكدت الدراسة أن النظام يعمل بشكل جيد حتى عندما لا تكون البيانات التي يمتلكها المشاركون المختلفون موحدة، وهو وضع يتسبب غالباً في فشل نماذج أخرى تحافظ على الخصوصية. ومن خلال دمج شبكة الناقد في عملية التعلم الاتحادي، خلق الباحثون إطاراً يسمح بالاكتشاف التعاوني للأدوطة الجديدة دون المساس بخصوصية البيانات التي تمتلكها الشركات الفردية. وتشير عمليات المحاكاة إلى أن هذا النهج يمكن أن يساعد الباحثين في مجال الصيدلة على التنقل في الفضاء الكيميائي الشاسع بكفاءة أكبر، وإنتاج مرشحين جدد ليسوا سليمين كيميائياً فحسب، بل مصممين أيضاً لتلبية الاحتياجات المحددة لتطوير الأدوية الجديدة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.