A Multi-Fingerprint QSAR Framework for Multiclass Prediction of Antimicrobial Activity of β-Lactam Derivatives Using Machine Learning and Deep Learning

تخيل عالماً يتعلم فيه غزاة صغار غير مرئيين ارتداء دروع لا تستطيع أفضل أسلحتنا اختراقها. هذا هو واقع مقاومة مضادات الميكروبات، وهي أزمة صحية عالمية حيث تتطور البكتيريا للبقاء على قيد الحياة رغم المضادات الحيوية التي نعتمد عليها. ولمواجهة ذلك، يستخدم العلماء خدعة ذكية تسمى (QSAR) أو (علاقة البنية والنشاط الكمية). فكر في الأمر كأن محققاً يحاول تخمين الخطوة التالية للمشتبه به من خلال النظر إلى بصمات أصابعه وملابسه. في هذه الحالة، "المشتبه بهم" هم البكتيريا، و"الملابس" هي الشكل الكيميائي لجزيء الدواء. ومن خلال دراسة كيفية ارتباط شكل الجزيء بقدرته على قتل البالكتيريا، يمكن للعلماء التنبؤ بأي الوصفات الكيميائية الجديدة قد تنجح قبل حتى أن يخلطوها في المختبر. وهذا يوفر الوقت والمال والموارد، مما يسمح للباحثين بالتركيز فقط على المرشحين الأكثر واعدية.

والآن، لندخل فريقاً من الباحثين الذين قرروا رفع مستوى هذا العمل التحقيقي إلى المستوى التالي. لقد ركزوا على عائلة محددة من اللبنات الكيميائية الأساسية المعروفة باسم "بيتا-لاكتام" (β-lactams)، بالإضافة إلى أقاربها من "الأزيتيدينون" (azetidinones) و"الثيازوليدينون" (thiazolidinones). هذه هي الهياكل التي تقف خلف العديد من المضادات الحيوية الشهيرة، لكن البكتيريا بدأت تبرع في هزيمتها. جمع الباحثون مجموعة ضخمة تضم أكثر من 220 نسخة مختلفة من هذه الجزيئات من التقارير العلمية. هدفهم؟ بناء برنامج حاسوبي فائق الذكاء يمكنه النظر إلى "البصمة" الكيميائية للجزيء وإخباره فوراً ما إذا كان سيكون قاتلاً قوياً (نشط)، أو مقاتلاً ضعيفاً (غير نشط)، أو في مكان ما بينهما (متوسط النشاط).

بدلاً من مجرد السؤال "هل يعمل أم لا؟" (سؤال بسيط بنعم أو لا)، قاموا بتدريب نماذجهم الحاسوبية للإجابة على سؤال أكثر دقة: "ما مدى جودة عمله؟". لقد غدّوا الحاسوب بكمية هائلة من البيانات، بما في ذلك حجم الجزيء، ومدى كونه زيتياً أو مائياً، وآلاف التفاصيل الهيكلية الدقيقة التي تسمى "البصمات". واستخدموا ذكاءً اصطناعياً متقدماً، بما في ذلك التعلم العميق (الذي يحاكي الدماغ البشري) وطرق التجميع (حيث تصوت عدة نماذج حاسوبية معاً)، لإيجاد الأنماط.

كانت النتائج مبهرة. أصبحت النماذج الحاسوبية بارعة للغاية في تصنيف هذه الجزيئات إلى الفئات الثلاث. وعندما نظر الباحثون إلى البيانات، وجدوا أن الجزيئات "النشطة" تميل لأن تكون أكبر حجماً، وأكثر زيتية، وتمتلك سمات هيكلية محددة تجعلها أفضل في مهاجمة البكتيريا. أما الجزيئات "غير النشطة" فغالباً ما كانت صغيرة جداً أو تفتقر إلى هذه السمات الرئيسية. كانت النماذج دقيقة للغاية لدرجة أنها استطاعت التمييز بين المجموعات بوضوض شديد، تماماً مثل فرز كرات الرخ الملونة في أوعية منفصلة. ومع ذلك، كانت مجموعة "المتوسطين" صعبة بعض الشيء؛ فهذه الجزيئات تشاركت في السمات مع كل من الفائزين والخاسرين، مما جعل تصنيفها أكثر صعوبة، وهو تحدٍ شائع في هذا المجال.

في نهاية المطط، لم تكتفِ هذه الدراسة ببناء نموذج فحسب، بل بنت خريطة. لقد أظهرت أنه من خلال الجمع بين أنواع مختلفة من الأوصاف الكيميائية واستخدام التعلم الآلي القوي، يمكننا التنبؤ بشكل موثوق بأي المرشحين للأدوية الجديدة يستحقون المتابعة. وجد الباحثون أن عوامل مثل الوزن الجزيئي و"الليفوفيلية" (مدى حب الجزيء للزيت) كانت أكبر الأدلة على النجاح. وبينما لا تعد النماذج مثالية — خاصة بالنسبة لتلك الحالات "الحدية" المتوسطة — إلا أنها توفر أداة موثوقة للغاية للعلماء لتحديد أولويات جهودهم. وهذا يعني أنه في المستقبل، يمكن لمصممي الأدوية استخدام هذا الإطار لفحص الأفكار الجديدة بسرعة، مما قد يسرع من اكتشاف الجيل القادم من المضادات الحيوية اللازمة للتفوق على البكتيريا المقاومة.