Interrogating contrastive learning embeddings for structure-based virtual screening: a case study on DrugCLIP
تقيم هذه الورقة البحثية بشكل منهجي تمثيلات التعلم التبايني لنموذج DrugCLIP في عملية الفحص الافتراضي القائم على البنية، كاشفةً أنه في حين توفر تمثيلات الجيوب (pocket embeddings) بحثاً سريعاً ومتيناً عن التشابه البنيوي، وتلتقط تمثيلات اللجينات (ligand embeddings) أنماطاً كيميائية مدركة للجيوب مع قدرة قوية على التعميم على أهداف غير مرئية، فإن الأداء يتقيد بشكل كبير بسبب التباينات التشكيلية وعدم الدقة في جيوب البروتين المتوقعة.
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
إن اكتشاف دواء جديد هو مقامرة بطيئة ومكلفة؛ إذ قد يستغرق الأمر خمس عشرة سنة وتكلفة تزيد عن مليار دولار لطرح عقار واحد في السوق، ويرجع ذلك أساساً إلى أن معظم المرشحين المحتملين يفشلون في منتصف الطريق. ولتقليل هذا الهدر، يستخدم العلماء برامج حاسوبية لغربلة الملايين من المركبات الكيميائية، بحثاً عن القلة التي قد تلتصق ببروتين معين مسبب للمرض. هذه العملية، التي تُسمى "الفحص الافتراضي"، تعمل كمرشح (فلتر)، حيث تضيق نطاق مكتبة هائلة من الاحتمالات إلى قائمة يمكن إدارتها للاختبار في العالم الحقيقي. ولعقود من الزمن، اعتمدت هذه العملية على مطابقة الشكل الفيزيائي للدواء مع شكل موقع الارتباط بالبروتين، وهي مهمة تتطلب جهداً حاسوبياً كبيراً وغالباً ما تكون بطيئة جداً بالنسبة للعدد الهائل من البروتينات والمواد الكيميائية المتاحة الآن.
مؤخراً، ظهر نهج جديد يعامل عملية البحث هذه كمسألة ترجمة لغة. فبدلاً من حساب الفيزياء لكل تفاعل على حدة، تستخدم هذه الأساليب الذكاء الاصطناعي لترجمة كل من جيب الارتباط بالبروتين وجزيء الدواء إلى لغة أرقام مجردة ومشتركة. وفي هذا الفضاء المشترك، يكون للدواء الذي يتناسب جيداً مع البروتين نمط رقمي مشابه جداً لنمط البروتين نفسه، بينما يبدو التطابق السيئ مختلفاً تماماً. وهذا يسمح للحواسيب بإيجاد المطابقات الجيدة ببساطة عبر مقارنة هذه الأنماط الرقمية، وهي عملية سريعة للغاية. وقد أظهرت إحدى هذه الأدوات، وتدعى "DrugCLIP"، وعوداً كبيرة، ولكن حتى الآن، لم يكن العلماء يفهمون تماماً ما تمثله هذه الأنماط الرقمية المجردة؛ فقد كانوا يعلمون أن الأداة تعمل، لكنهم لم يعرفوا ما إذا كانت تفهم الكيمياء حقاً أم أنها تكتفي بحفظ الإجابات فقط.
قرر فريق من الباحثين في جامعة كوليدج لندن فتح "الصندوق الأسود" لأداة "DrugCLIP" لمعرفة ما يحدث في الداخل بالضبط. لقد تعاملوا مع الأداة ليس كعصا سحرية، بل كنظام يمكن قياسه وفهمه. وكشفت تحقيقاتهم أن الأداة تعلمت شيئاً أكثر فائدة من مجرد مطابقة الأدوية بالبروتينات؛ فقد وجد الباحثون أن التمثيل الداخلي للأداة لجيب ارتباط البروتين كان دقيقاً لدرجة أنه استطاع تحديد الجيوب المتشابهة عبر بروتينات مختلفة بشكل أفضل من أي طريقة موجودة، وفعل ذلك بسرعة تزيد عن مائة مرة. وكان هذا مفاجئاً لأن الأداة لم تُعلم صراحةً كيفية إيجاد الجيوب المتشابهة، بل تعلمت فقط كيفية إيجاد الأدوة التي ترتبط بها. ومع ذلك، ففي عملية تعلم كيفية إيجاد الأدوية، تعلمت الأداة دون قصد التعرف على شكل وهيكل الجيوب نفسها بدقة مذهلة.
كما فحص الفريق كيفية تعامل الأداة مع الواقع الفيزيائي للجزيئات؛ فالبروتينات والأدوقاء ليست تماثيل جامدة، بل هي تتحرك وتتذبذب. واختبر الباحثون ما إذا كانت الأداة ستصاب بالارتباك إذا عُرض جزيء الدواء بشكل مختلف قليلاً، أو إذا كان البروتين في وضع مختلف. ووجدوا أن الأداة كانت قوية وصامدة بشكل ملحوظ؛ فحتى عندما عُرض نفس الدواء في عشرات الأشكال المتذبذبة المختلفة، تعرفت الأداة عليها كجزيء واحد. وبالمثل، عندما عُرض جيب البروتين في حالات مختلفة — بعضها مرتبط بدواء، وبعضها فارغ، وبعضها تم التنبؤ به بواسطة نماذج ذكاء اصطناعي أخرى — ظل الخريطة الداخلية للأداة ثابتاً. ومع ذلك، رسمت الدراسة خطاً واضحاً بدأ عنده أداء الأداة في التراجع؛ فعندما استخدم الباحثون هياكل بروتينية متوقعة تحتوي على أحماض أمينية خاطئة في موقع الارتباط، أو عندما كانت السلاسل الجانبية للبروتين تشير إلى اتجاهات خاطئة، انخفضت قدرة الأداة على إيجاد الدواء الصحيح بشكل كبير. وهذا يشير إلى أنه رغم قوة الأداة، إلا أنها لا تزال تعتمد على وجود صورة دقيقة للهيكل الفيزيائي للبروتين.
ربما كان الاختبار الأكثر أهمية هو مدى اعتماد الأداة على الحفظ؛ حيث وضع الباحثون اختباراً صارماً بسؤال الأداة عن إيجاد أدوة لبروتينات ومواد كيميائية لم ترها من قبل، لضمان عدم قدرتها على مجرد استرجاع الإجابات من بيانات التدريب الخاصة بها. وكانت النتائج مشجعة؛ فبالنسبة لبروتينات جديدة ذات كيمياء جديدة تماماً، نجحت الأداة في وضع الدواء الصحيح ضمن أفضل واحد بالمائة من جميع المرشحين الممكنين في حوالي 55 إلى 75 بالمائة من الحالات. وقد أثبت هذا أن الأداة تتعلم حقاً قواعد كيفية تفاعل البروتينات والأدوية، بدلاً من مجرد حفظ قائمة من الأزواج المعروفة. وأظهر ذلك أن الأداة يمكنها تعميم معرفتها على مواقف جديدة تماماً، وهو مطلب حاسم لاكتشاف الأدوية في العالم الحقيقي.
خلصت الدراسة إلى أنه بينما تمثل أدوات مثل "DrugCLIP" قفزة هائلة في السرعة والقدرة، إلا أنها ليست مثالية بعد. إذ يعتمد نجاحها على دقة هيكل البروتين المقدم إليها؛ فإذا كان النموذج الأولي للبروتين غير دقيق، أو إذا تضمن موقع الارتباط المتوقع ذرات خاطئة، فإن أداء الأداة يتأثر. ويقترح الباحثون أن الخطوة التالية لتحسين هذه الأنظمة لا تقتصر فقط على تطوير ذكاء اصطناعي أفضل، بل في تطوير طرق للتنبؤ بالشكل الدقيق لجيوب البروتين. ومن خلال الجمع بين أدوات الفحص السريعة والذكية وبين التنبؤات الهيكلية الأكثر دقة، يمكن للعلماء الاقتراب من مستقبل يكون فيه اكتشاف الأدوية الجديدة أسرع، وأرخص، وأكثر موثوقية. إن هذا العمل يزيل الغموض عن تقنية معقدة، ويظهر أنها عدسة جديدة قوية لرؤية العالم الجزيئي، بشرط أن يتم الإمساك بهذه العدسة بثبات.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.