لفهم التحدي الذي يواجهه الباحثون، يجب أولاً استيعاب التعقيد الهائل للجزيئات التي تُكوّن الحياة. فالبروتينات، والحمض النووي الريبوزي منقوص الأكسجين (DNA)، والحمض النووي الريبوزي (RNA) ليست تماثيل ساكنة، بل هي آلات ثلاثية الأبعاد معقدة مبنية من سلاسل من وحدات كيميائية أصغر. وتعتمد وظيفتها كلياً على كيفية طي هذه السلاسل والتفافها في الفراغ، مما يضع ذرات محددة في حالة تلامس مع بعضها البعض. لعقود من الزمن، كافح العلماء للتنبؤ بهذه الأشكال من خلال الكود الكيميائي وحده. تكمن المشكلة في أن عدد الطرق التي يمكن أن تلتوي بها السلسلة هو عدد فلكي، كما أن حساب الموضع الدقيق لكل ذرة منفردة في جزيء كبير يمثل عبئاً حوسبياً هائلاً. وغالباً ما تلجأ الطرق التقليدية إلى تبسيط المشكلة عبر تجاهل التفاصيل الدقيقة للذرات الفردية، والتركيز بدلاً من ذلك على العمود الفقري للسلسلة، مما قد يؤدي إلى تفويت التفاعلات الحرجة التي تحدد كيفية ارتباط الدواء بهدف معين أو كيفية عمل الإنزيم.

لقد طور فريق من الباحثين الآن نهجاً جديداً يسد الفجوة بين الأوصاف الكيميائية عالية المستوى والواقع الدقيق للجزيئات الذي يعتمد على الذرة تلو الأخرى. لقد أنشأوا نظاماً يترجم الهندسة المستمرة والسائلة للجزيء إلى مجموعة من الرموز المنفصلة والقابلة للإدارة، تماماً مثل تحويل لحن معقد إلى سلسلة من النوتات الموسيقية. ومن خلال ضغط الشكل التفصيلي للجزيء في مفردات تتكون من 8,192 رمزاً فريداً (token)، تمكنوا من تدريب ذكاء اصطناعي قوي للتنبؤ بهذه الرموز بناءً على الهوية الكيميائية للجزيء فقط. وبمجرد أن يتنبأ الذكاء الاصطناعي بتسلسل الرموز، يقوم جزء ثانٍ من نظامهم بتوسيعها لتعود إلى نموذج ثلاثي الأبعاد كامل يحتوي على كل ذرة ثقيلة. تسمح هذه الطريقة للكمبيوتر بتعلم قواعد طي الجزيئات دون الغرق في الحجم الهائل للبيانات الخام، محققاً مستوى من الدقة يضاهي الأدوات المتقدمة الموجودة حالياً.

جوهر هذا الإنجاز هو أداة يسمونها "ترميز الهيكل المعتمد على جميع الذرات" (all-atom structure tokenizer). تخيل أنك تحاول وصف شكل منحوتة معقدة لصديق عبر الهاتف؛ إذا حاولت سرد إحداثيات كل نقطة على السطح، فلن تنتهي المحادثة أبداً. بدلاً من ذلك، قد تصف المنحوتة من حيث مكوناتها الرئيسية — رأس، جذع، أذرع — وكيفية اتصالها ببعضها البعض. لقد فعل هذا الفريق شيئاً مشابهاً للجزيئات؛ حيث قاموا بتفكيك البروتينات، وDNA، والجزيئات الصغيرة الشبيهة بالأدوية إلى وحدات كيميائية قياسية. بالنسبة للبروتين، الوحدة هي بقايا حمض أميني واحدة؛ وبالنسبة لـ DNA، هي نيوكليوتيدة واحدة؛ وبالنسبة لجزيء دواء صغير، هي ذرة ثقيلة واحدة. ثم بنوا شبكة عصبية تنظر إلى التجمع الكامل لهذه الوحدات، وتفهم كيفية ارتباطها ببعضها البعض في الفراغ، وتحول ذلك الترتيب المكاني إلى سلسلة قصيرة من الأرقام.

عملية التحويل هذه هي "المُرمز" (tokenizer). فهو يأخذ الإحداثيات المستمرة والعائمة للذرات ويضغطها في مجموعة ثابتة من 8,192 رمزاً ممكناً. وقد استخدم الباحثون تقنية تسمى "الكمية القياسية المحدودة" (finite scalar quantization)، والتي تعمل مثل مسطرة عالية الدقة تلتصق بأي قياس عند أقرب خط محدد على الشبكة. يضمن هذا أن الاحتمالات اللانهائية والمعقدة للأشكال الجزيئية يتم اختزالها إلى مفردات محدودة وقابلة للإدارة. ومن الأهمية بمكان أن هذه العملية تحافظ على الهوية الكيميائية للجزيء؛ فالنظام يعرف أن رمزاً معيناً يمثل حمضاً أمينياً محدداً بسلسلة جانبية معينة، أو ذرة محددة في جزيء دواء، دون الحاجة إلى تخزين الإحداثيات الدقيقة داخل الرمز نفسه. ويتم استعادة الإحداثيات لاحقاً، بعد التنبؤ بتسلسل الرموز.

مع وجود هذا المرمز، قام الباحثون بتدريب نموذج لغوي كبير، أطلقوا عليه اسم AtomLM-9b، للتنبؤ بهذه الرموز الهيكلية. يعتمد هذا النموذج على بنية ذكاء اصطناعي قوية موجودة مسبقاً ولكن تم تطويعها لفهم الكيمياء. وبدلاً من قراءة الجمل والتنبؤ بالكلمة التالية، فإنه يقرأ الهوية الكيميائية للجزيء — قائمة الذرات وكيفية ترابطها — ويتنبأ بتسلسل الرموز الهيكلية التي تصف شكله ثلاثي الأبعاد. لا يرى النموذج الهيكل ثلاثي الأبعاد النهائي أثناء التدريب؛ بل يرى فقط الوصفة الكيميائية ويتعلم إنتاج تسلسل الرموز الصحيح. وبمجرد أن يولد النموذج هذا التسلسل، يتولى شريك المرمز، وهو "فك الترميز" (de-tokenizer)، المهمة؛ حيث يقرأ تسلسل الرموز، جنباً إلى جنب مع المعلومات الكيميائية الأصلية، ويعيد بناء الإحداثيات ثلاثية الأبعاد الكاملة لكل ذرة في الجزيء. تفصل هذه العملية ذات الخطوتين بين مهمة فهم التسلسل ومهمة رسم الشكل، مما يسمح بتحسين كل جزء بشكل مستقل.

النتائج التي حققها هذا النهج مذهلة. فعند اختبار النظام على مجموعة معيارية من الهياكل البروتينية المستخدمة لتقييم أدوات التنبؤ، حقق النظام درجة دقة لجميع الذرات بلغت 0.832 في أحد المعايض الرئيسية و0.835 في معيار آخر. تشير هذه الدرجات إلى أن الهياكل المعاد بناؤها قريبة جداً من الأشكال الحقيقية المرصودة تجريبياً. وفي مقارنة مباشرة في مهمة محددة تتعلق بالتفاعل بين البروتين والبروتين، حقق النموذج الجديد معدل نجاح قدره 75.01%، متفوقاً قليلاً على النتائج المنشورة لـ AlphaFold 3، التي بلغت 72.93%. كما أظهر النموذج أداءً قوياً في التنبؤ بأشكال DNA وRNA، وفي تحديد كيفية ارتباط جزيئات الدواء الصغيرة بالبروتينات، وهي مجالات تعاني فيها النماذج الأخرى أحياناً.

لقد كان الباحثون حريصين على اختبار النظام تحت ظروف صارمة لضمان أن النت Results حقيقية. فقد دربوا النموذج على مجموعة واسعة من الهياكل الجزيئية المعروفة، لكنهم استبعدوا حالات الاختبار المحددة من بيانات التدريب لمنع النموذج من مجرد حفظ الإجابات. كما تحققوا من قدرة النموذج على التعامل مع مخاليط معقدة من أنواع مختلفة من الجزيئات، مثل بروتين مرتبط بقطعة من DNA وجزيء دواء صغير، في آن واحد. نجح النظام في التنبؤ بأشكال هذه التجمعات المعقدة، مما أثبت أن المفردات المشتركة للرموز تعمل عبر مختلف أنواع الكيمياء. لا يعتمد النموذج على القوالب الهيكلية المسبقة أو محاذاة التسلسلات المتعددة، والتي تُستخدم غالباً من قبل الطرق الأخرى لتعزيز الدقة؛ بدلاً من ذلك، يتعلم القواعد الفيزيائية للطي مباشرة من البيانات.

أحد أهم جوانب هذا العمل هو وضوح الواجهة بين النموذج اللغوي والهيكل الفيزيائي. فمن خلال استخدام مجموعة منفصلة من الرموز، أنشأ الباحثون حداً فاصلاً نظيفاً حيث يتنبأ الذكاء الاصطناعي بتسلسل، وتقوم عملية حتمية منفصلة بتحويل هذا التسلسل إلى نموذج ثلاثي الأبعاد. يسمح هذا الفصل بإجراء تقييم صارم لمدى فهم الذكاء الاصطنانا للعلاقة بين الكيمياء والشكل. وتظهر الدراسة أن هذا النهج المنفصل ليس مجرد تمرين نظري، بل هو وسيلة عملية يمكنها توليد هياكل ذرية عالية الدقة. وتشير قدرة النموذج على التنبؤ بمواضع السلاسل الجانبية وذرات الربيطة (ligand) بدقة عالية إلى أنه تعلم القيود الهندسية الدقيقة التي تحكم التفاعلات الجزيئية.

استكشف الفريق أيضاً حدود نظامهم من خلال سلسلة من الاختبارات حيث قاموا بإزالة مكونات محددة لمعرفة مدى مساهمة كل جزء في النتيجة النهائية. ووجدوا أن الطريقة الهرمية التي يعالج بها النموذج المعلومات — بالانتقال من الذرات الفردية إلى الوحدات الكيميائية ثم إلى التجمع الكامل — كانت أساسية للدقة. كما اكتشفوا أن القدرة على صقل مواضع الذرات عبر الوحدات المختلفة — مما يسمح لبقايا البروتين بتعديل شكلها بناءً على جزيء دواء قريب — كانت حاسمة للحصول على وضعيات الارتباط الصحيحة. وبدون هذه التحسينات، انخفضت قدرة النموذج على التنبؤ بكيفية تفاعل الجزيئات بشكل كبير. تؤكد هذه النتائج أن النظام لا يقوم بمجرد التخمين، بل يلتقط الواقع الفيزيائي للتجمع الجزيئي.

على الرغم من أن النظام دقيق للغاية، إلا أن الباحثين يقرون بأنه ليس كاملاً. فالمفردات المحددة تعني أن بعض التكوينات الكيميائية النادرة أو غير العادية قد لا يتم تمثيلها بدقة مثل التكوينات الشائعة. ويركز النموذج على الذرات الثقيلة ولا يتنبأ حالياً بمواضع ذرات الهيدروجين أو تأثيرات بيئة الماء المحيطة، وهي أمور مهمة لبعض الأسئلة البيولوجية المحددة. ومع ذلك، بالنسبة للغالبية العظمى من مهام البيولوجيا الهيكلية، فإن مستوى التفاصيل المقدمة كافٍ لفهم كيفية عمل الجزيئات. ويشير نجاح هذا النهج إلى أن معاملة الهندسة الجزيئية كلغة، مع مفردات مشتركة لمختلف أنواع الوحدات الكيميائية، هي وسيلة قوية لحل مشكلة التنبؤ بالهيكل.

يمثل هذا العمل تحولاً في كيفية مقاربة العلماء لمشكلة النمذجة الجزيئية. فبدلاً من محاولة حساب القوى بين كل ذرة في محاكاة واحدة ضخمة، أظهر الباحثون أن النموذج اللغوي يمكنه تعلم أنماط الأشكال الجزيئية وتوليدها بكفاءة. إن الجمع بين مُرمز يضغط الهندسة ونموذج لغوي يتنبأ بالتسلسل يقدم مساراً جديداً للمضي قدماً. فهو يوضح أن تعقيد لبنات بناء الحياة يمكن التقاطه في شكل مدمج ومنفصل، وأن الذكاء الاصطناعي يمكنه تعلم التنقل في هذا الشكل بدرجة عالية من الدقة. توفر النتائج أداة جديدة لاكتشاف الأدوية والأبحاث البيولوجية، مما يوفر وسيلة للتنبؤ بأشكال الجزيئات التي لم يسبق رؤيتها من قبل، بناءً على تركيبها الكيميائي فقط.