PharmCast: rapid generation of three-dimensional pharmacophore fingerprints from two-dimensional structure without conformer generation
تُعد PharmCast شبكة عصبية أمامية (feedforward) تتنبأ بسرعة ودقة ببصمات الفارماكوفور ثلاثية الأبعاد مباشرة من سلاسل SMILES ثنائية الأبعاد دون الحاجة لتوليد المتشكلات (conformers)، مما يتيح فحصاً افتراضياً فعالاً وقفزاً في الهياكل الأساسية (scaffold hopping) بجزء ضئيل من التكلفة الحسابية للطرق التقليدية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
في عالم اكتشاف الأدوية، غالبًا ما يفكر العلماء في الدواء ليس كجسم صلب، بل كمجموعة من الميزات التي تنتظر التعرف عليها. تخيل مفتاحًا لا يحتاج لأن يشبه قفلًا محددًا، بل يحتاج ببساطة لأن يمتلك النتوءات والأخاديد الصحيحة لتناسب الآلية. هذه الفكرة، المعروفة باسم "الفارماكوفور" (pharmacophore)، تشير إلى أن قدرة الجزيء على الارتباط بهدف بيولوجي تعتمد على مجموعة صغيرة من الميزات الكيميائية — مثل مانح رابطة هيدروجينية، أو مستقبل، أو حلقة عطرية — مرتبة في نمط ثلاثي الأبعاد محدد. لعقود من الزمن، استخدم الباحثون هذا المفهوم للعثور على أدوية جديدة، بحثًا عن مركبات تشترك في هذه الأنماط المكانية حتى لو كانت هياكلها الكيميائية الأساسية تبدو مختلفة تمامًا. هذه القدرة على رصد أوجه التشابه بين الهياكل غير المترابطة، وهي عملية تسمى "قفز السقالات" (scaffold hopping)، تعد أمرًا بالغ الأهمية للعثور على علاجات جديدة عندما تكون المسارات الكيميائية الواضحة قد استُنفدت بالفعل.
ومع ذلك، كان استخدام هذه الخريطة ثلاثية الأبعاد دائمًا عملية بطيئة ومكلفة. نظرًا لأن الجزيئات مرنة ويمكنها الالتواء إلى أشكال عديدة مختلفة، يجب على الحاسوب إنشاء مئات النسخ ثلاثية الأبعاد المحتملة، أو "المتساكنات" (conformers)، لكل جزيء ليرى ما هي الميزات التي يمكنه تقديمها. تستغرق خطوة توليد الأشكال هذه معظم الوقت المطلوب لتحليل المركب، مما يجعل من غير العملي فحص ملايين الجزيئات في المكتبات الكيميائية الحديثة. وكانت النتيجة أن هذه الطريقة القوية لإيجاد أدوية جديدة قد انحصرت في قوائم صغيرة ومنتقاة بعناية، غير قادرة على التعامل مع المحيطات الشاسعة للكيمياء المتاحة.
لقد طور فريق من الباحثين الآن طريقة لتجاوز هذه العقبة تمامًا. فقد أنشأوا نظامًا يسمى "فارم كاست" (PharmCast)، والذي يعمل كمترجم مباشر من رسم الجزيء ثنائي الأبعاد المسطح إلى إمكاناته ثلاثية الأبعاد. فبدلاً من قضاء ساعات في حساب كل التواء ودوران محتمل قد يتخذه الجزيء، تستخدم هذه الطة الجديدة نوعًا من الذكاء الاصطناعي للتنبؤ بالنتيجة النهائية فورًا. لقد تم تدريب النظام على ما يقرب من ستة ملايين جزيء، بما في ذلك المركبات القياسية الشبيهة بالأدوية، والجزيئات البيولوجية النشطة، والحلقات البروتينية المرنة، حيث تعلم الربط بين البنية الأساسية للجزيء والميزات ثلاثية الأبعاد التي يمكنه عرضها.
تظهر النتائج أن هذا الاختصار لا يضحي بالدقة مقابل السرعة. فعند اختباره مقابل الطريقة التقليدية البطيئة، أنتج النظام الجديد نتائج متطابقة تقريبًا لغالبية المركبات. بالنسبة لمركب نموذجي شبيه بالدواء، تستغرق الطريقة التقليدية ما يقرب من ثلاث ثوانٍ لتوليد بصمة واحدة، ويُقضى معظم هذا الوقت فقط في إنشاء الأشكال ثلاثية الأبعاد. أما النظام الجديد فينجز المهمة نفسها في أقل من ميلي ثانية. ويمثل هذا تسريعًا بآلاف المرات، مما يحول عملية قد تستغرق شهورًا لتشغيلها على مكتبة ضخمة إلى عملية يمكن إنهاؤها في دقائق.
اختبر الباحثون هذه الأداة على ثلاث مجموعات متميزة من الجزيئات لضمان عملها عبر أنواع مختلفة من الكيمياء. فقد قيموا مركبات الفحص القياسية، والجزيئات البيولوجية النشطة التي تم اختبارها في المختبرات، والحلقات البروتينية المرنة التي يصعب نمذجتها بشكل ملحوظ. وفي كل حالة، طابقت التنبؤات الحسابات التقليدية البطيئة بدقة عالية. وبالنسبة للمركبات القياسية الشبيهة بالأدوية، كان الخطأ صغيرًا جدًا لدرجة أنه يكاد لا يُلاحظ، وبالنسبة للحلقات البروتينية المرنة، كان أداء النظام أفضل، ويرجع ذلك على الأرجح إلى إدراج هذه الحلقات في بيانات التدريب. المنطقة الوحيدة التي أظهر فيها النظام تباينًا طفيفًا كانت مع الجزيئات البيولوجية الكبيرة والمعقدة التي لم تكن ممثلة جيدًا في مجموعة التدريب، وهو قصور أشار المؤلفون إلى أنه يعود إلى الكيمياء المحددة المتاحة للتعلم وليس عيبًا في الطريقة نفسها.
إن أحد أهم النتائج هو أن النظام نجح في تحديد أوجه التشابه بين الجزيئات التي لا تشبه بعضها البعض على الورق بتاتًا. ففي حالة اختبار شملت عقارين مختلفين لفيروس نقص المناعة البشرية (HIV) بتركيبات كيميائية مختلفة تمامًا، حدد النظام بشكل صحيح أنهما يقدمان نفس الميزات ثلاثية الأبعاد لهدف معين، وهو إنجاز فاتته الطرق التقليدية ثنائية الأبعاد. وهذا يؤكد أن الأداة تلتقط حقًا الجوهر المكاني للجزيء بدلاً من مجرد حفظ شكله الكيميائي. وقد أثبت الباحثون هذه القدرة باستخدام النظام لمسح مكتبة تضم أكثر من أربعة ملايين مركب مقابل جزيء مرجعي، وهي مهمة استغرقت أقل من نصف ساعة. وشملت النتائج الأولى مركبات ذات هياكل مختلفة تمامًا ولكن لها نفس إمكانية الارتباط، مما يثبت أن النظام يمكنه توجيه البحث عن نقاط انطلاق كيميائية جديدة بفعالية.
ويؤكد المؤلفون أنه بينما تعد هذه الأداة سريعة للغاية، إلا أنها مصممة للعمل جنبًا إلى جنب مع الحسابات الأكثر تفصيلًا وبطئًا، وليس لاستبدالها. ففي سيناريو واقعي، سيُستخدم النظام السريع لتصنيف ملايين المرشحين وتضييق القائمة إلى أكثر القلة واعدًا. ثم سيتم تحليل هؤلاء المرشحين الأوائل باستخدام الطريقة التقليدية الأبطر للتأكد من الهندسة الدقيقة وضمان صحة التنبؤ. يسمح هذا النهج ذو الخطوتين للعلماء باستكشاف المدى الكامل للفضاء الكيميائي دون الغرق في التكاليف الحسابية، مع الحفاظ في الوقت نفسه على المعايير الصارمة المطلوبة لتطوير الأدوية. ومن خلال إزالة حاجز الوقت، يفتح هذا العمل الباب لتطبيق التفكير ثلاثي الأبعاد على الكون بأكمده من الكيمياء المتاحة، مما قد يسرع من اكتشاف أدوية جديدة للأمراض التي تفتقر حاليًا لخيارات علاجية كافية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.