On the rise of AI technologies in virtual screening

إليك ملخص تقني مفصل لورقة "On the rise of AI technologies in virtual screening" من إعداد تشيتشيني وسينيكا.

1. بيان المشكلة

يُعد الفحص الافتراضي (Virtual Screening - VS) حجر الزاوية في اكتشاف الأدوية، ومع ذلك تواجه الطرق التقليدية قيوداً كبيرة:

• الإرساء التقليدي (Traditional Docking): يعاني من صعوبة في التعامل مع مرونة المستقبلات، وتأثيرات المذيبات، والمساهمات الإنتروبية، مما يؤدي إلى تنبؤات ضعيفة بآلفة الارتباط (binding affinity).
• الطرق القائمة على الفيزياء (ABFE/RBFE): رغم دقتها العالية، إلا أنها مكلفة حوسبياً للغاية بالنسبة لعمليات المسح واسعة النطاق (ملايين المركبات).
• فجوة إعادة التقييم الحالية (Current Rescoring Gap): فشلت طرق إعادة التقييم غير الصارمة (مثل التقييم التجريبي، وMM/GBSA، والـ QM شبه التجريبية) تاريخياً في التمييز بشكل موثوق بين الرابطات الحقيقية وغير النشطة في مجموعات البيانات "فائقة الضخامة"، خاصة عندما تحتوي مجموعة البيانات على معدلات نجاح (hit rates) عالية ومركبات متشابهة كيميائياً.
• تحدٍ محدد: ركز المؤلفون على مجموعة بيانات ULVSH، وهي معيار اختبار صعب يتكون من 943 رابطة ناجحة افتراضية من عشر حملات مسح فائقة الضخامة (تستهدف مستقبلات GPCRs، والكينازات، إلخ) خضعت للتحقق التجريبي. أظهرت دراسات سابقة (Sindt et al.) أنه لا يوجد دالة إعادة تقييم قياسية يمكنها تصنيف النشطات مقابل غير النشطة بشكل موثوق في هذه المجموعة المحددة.

2. المنهجية

قيم المؤلفون نموذج Boltz-2، وهو نموذج أساسي يعتمد على الذكاء الاصطناعي قادر على الطي المشترك (co-folding) للبروتينات واللجينات والتنبؤ بآلفة الارتباط، وذلك مقابل مجموعة بيانات ULVSH.

• مجموعة البيانات: 943 لجين (427 إيجابياً حقيقياً، 516 إيجابياً كاذباً) عبر 10 أهداف (7 من مستقبلات GPCR، و1 كيناز، و1 مستقبل غشائي، و1 ناقل).
• سير العمل:
  1. إعداد المدخلات: خط إنتاج مؤتمت يستخدم إحداثيات MOL2 لللجين وتسلسلات FASTA للبروتين.
  2. التنبؤ: قام Boltz-2 بتوليد معقدات بروتين-لجين ثلاثية الأبعاد وتنبأ بآلفة الارتباط.
  3. الأجهزة: تم التنفيذ على وحدة معالجة رسومية واحدة من نوع NVIDIA RTX 4500 Ada (حوالي 100 ثانية لكل لجين).
  4. المقارنة: تمت مقارنة الأداء مقابل ثماني استراتيجيات إعادة تقييم موجودة (Docking, HYDE, Δvina, Gnina, MMPBSA, MMGBSA, GFN-FF, PM6) ومحاكاة الطاقة الحرة للنقطة النهائية (end-point free-energy simulations).
  5. المقاييس: المقياس الأساسي كان ROC-AUC (المساحة تحت منحنى خصائص تشغيل المستقبِل). تم تعريف التصنيف الناجح بأن يكون ROC-AUC > 0.7.
• اختبارات المتانة: اختبر المؤلفون فرضيات مختلفة لتفسير حالات الفشل (في هدفي CNR1 وMTR1A)، بما في ذلك:
  • التنبؤات الجماعية (المتوسط/الأفضل/الأسوأ لـ 20 تشغيلة).
  • التكييف باستخدام القوالب (استخدام هياكل PDB التجريبية).
  • مدخلات النطاق الواحد (إزالة ضجيج النطاقات المتعددة).
  • زيادة معاملات الاستدلال (خطوات أخذ عينات أكثر/إعادة التدوير).
  • التحقق الهيكلي (مقارنة الوضعيات المتوقعة مع البلورات المشتركة التجريبية).
• تجربة ثانوية: سيناريو "شبيه باكتشاف الأدوية" باستخدام قاعدة بيانات LSD (من 20 مليون إلى 468 مليون مركب). تم إعادة ترتيب أفضل 1,000 نتيجة إرساء بواسطة Boltz-2 لاختبار قدرات الإثراء (enrichment).

3. المساهمات الرئيسية

• تقييم الذكاء الاصطناعي على بيانات صعبة: تعد هذه واحدة من أولى التقييمات الصارمة لنموذج طي مشترك توليدي (Boliz-2) على مجموعة بيانات مسح فائقة الضخامة صعبة ومثبتة تجريبياً، حيث فشلت الطرق التقليدية.
• التحقق من الأداء: أثبت أن Boltz-2 يتفوق بشكل كبير على جميع طرق إعادة التقييم غير الصارمة المختبرة والإرساء القياسي في التمييز بين المواد النشطة وغير النشطة.
• تحليل الإنتاجية: حدد التكلفة الحوسبية، موضحاً أن Boltz-2 أبطأ من الإرساء (docking) ولكنه سريع بما يكفي لعمليات إعادة التقييم "متوسطة النطاق" (ملايين المركبات) باستخدام أجهزة عادية.
• تحليل أوضاع الفشل: بحث المؤلفون بشكل منهجي في سبب فشل النموذج في هدفين محددين (CNR1, MBR1A) ووجدوا أن ضبط المعلمات القياسي أو التكييف الهيكلي لم يحل المشكلة، مما يشير إلى قيود متأصلة في نطاق تطبيق النموذج لبعض الأهداف.
• رؤية الارتباط: سلطوا الضضوء على نتيجة حاسمة: دقة التنبؤ بآلفة الارتباط لا ترتبط بدقة الوضعية الهيكلية. فحتى عندما كانت الوضعية المتوقعة ذات RMSD مرتفع (> 2 Å) مقارنة بالهيكل البلوري، ظل التنبؤ بالآلفة دقيقاً بما يكفي للتصنيف.

4. النتائج الرئيسية

• أداء التصنيف (ULVSH):
  • متوسط ROC-AUC لـ Boltz-2: بلغ 0.70 (الخطأ المعياري: 0.05).
  • معدل النجاح: حققت 7 من أصل 10 أهداف ROC-AUC > 0.7.
  • المقارنة: الطريقة التالية الأفضل (PM6) حققت متوسط ROC-AUC قدره 0.64 مع معدل نجاح قدره 2/10 فقط. كان معدل نجاح Boltz-2 أكثر من ضعف أفضل طريقة بديلة.
  • أهداف محددة: تفوق Bolz-2 في أهداف مثل SC6A4 (0.86)، وROCK1 (0.84)، وDRD3 (0.81). وفشل في CNR1 (0.40) وMTR1A (0.45).
• الإثراء (قاعدة بيانات LSD):
  • عند إعادة ترتيب أفضل 1,000 نتيجة إرساء من قاعدة بيانات LSD، وفر Boltz-2 إثراءً بمقدار 4-5 أضعاف للمواد النشبة الحقيقية مقارنة بالإرساء وحده في الأجزاء الأعلى ترتيباً (من أفضل 100 إلى أفضل 750).
• الكفاءة الحوسبية:
  • السرعة: حوالي 100 ثانية لكل لجين على وحدة معالجة رسومية واحدة.
  • الإنتاجية: حوالي 1,000 لجين/يوم (وحدة معالجة رسومية واحدة) أو حوالي 500,000 لجين/شهر (عنقود مكون من 20 وحدة معالجة رسومية).
  • القصور: هذا أبطأ بـ 3 إلى 4 مراتب عشرية من الإرساء فائق السرعة (مثل Uni-Dock الذي يستغرق 0.1 ثانية/لجين)، مما يجعله غير مناسب لفحص مليارات المركبات مباشرة، ولكنه مثالي لإعادة تقييم أعلى 0.1% إلى 1% من المكتبة.
• الهيكل مقابل الآلية:
  • في 5 من أصل 10 حالات، تنبأ Boltz-2 بوضعيات ذات RMSD > 2 Å مقارنة بالهياكل التجريبية.
  • رغم ضعف التنبؤات الهيكلية، ظلت تنبؤات الآلفة قوية بما يكفي للتصنيف، مما يشير إلى أن النموذج يتعلم أنماط التفاعل بشكل مستقل عن المحاذاة الهندسية المثالية.

5. الأهمية والخاتمة

• تحول جذري في النموذج: تشير الدراسة إلى تحول في سير عمل الفحص الافتراضي. بدلاً من الاعتماد فقط على الإرساء متبوعاً بإعادة التقييم القائم على الفيزياء، توفر نماذج الطي المشترك القائمة على الذكاء الاصطناً مثل Boltz-2 "منطقة وسطى" تسد الفجوة بين مسح المكتبات فائقة الضخامة وتحسين الرائد (lead optimization).
• سير عمل عملي: يقترح المؤلفون سير عمل هجين:
  1. إرساء فائق السرعة لفلترة مليارات المركبات وتقليصها إلى حوالي 100,000.
  2. إعادة تقييم Boltz-2 لتنقية أفضل 1,000 إلى 10,000 مركب (لتحقيق إثراء بنسبة 2-5 أضعاف).
  3. حسابات ABFE (الطاقة الحرة المطلقة للارتباط) على أفضل النتائج للتحقق النهائي.
• التنبيهات: يقر المؤلفون بأن الدراسات المستقلة الأخيرة (Bret et al., Shen et al., Kim et al.) تؤكد تفوق Boltz-2 في التصنيف، لكنهم يحذرون من نطاق تطبيقه. قد يواجه النموذج صعوبة مع الأهداف الغائبة عن بيانات التدريب أو سيناريوهات الطفرات المحددة، وتنبؤاته ليست دائماً مرتبطة بالصحة الهيكلية.
• الخلاصة: يمثل Boltz-2 أداة قوية وفعالة ودقيقة لتصنيف اللجينات، قادرة على إنقاذ الرابطات الحقيقية التي تفوتها عمليات الإرساء التقليدية، بشرط أن يقع الهدف ضمن المجال الكيميائي الذي تعلمه النموذج. إنه يفتح الباب أمام فحص افتراضي دقيق على أجهزة عادية لأهداف ذات أهمية صيدلانية.