APOSM: Pairwise preference learning improves generative small-molecule design
تقدم الورقة البحثية إطار عمل APOSM، وهو إطار للتعلم النشط يعزز تصميم الجزيئات الصغيرة من خلال تدريب نموذج بديل لشبكة عصبية رسومية على مقارنات جزيئية ثنائية بدلاً من الدرجات المطلقة، مما يحسن بشكل كبير من تحقيق الأهداف وكفاءة أخذ العينات في أنظمة الفحص التي تشوبها الضوضاء.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في السباق لاكتشاف أدوية جديدة، يواجه العلماء مشكلة في الحجم تبدو شبه مستحيلة. إن عالم الجزيئات الصغيرة الممكنة — وهي هياكل كيميائية ضئيلة يمكن أن تصبح عقاقر — واسع للغاية لدرجة أنه يحتوي من المرشحين أكثر مما توجد من نجوم في المجرة. لا يمكن لأي مختبر، مهما بلغت درجة تمويله، أن يصنع ويختبر كل واحد منها. وبدلاً من ذلك، يجب على الباحثين الاعتماد على النماذج الحاسوبية لتعمل كمرشح، يتنبأ بالجزيئات القليلة التي تستحق الجهد المكلف والمستهلك للوقت في مختبر حقيقي. ولعقود من الزمن، حاولت هذه النماذج الحاسوبية تخصيص درجة محددة لكل جزيء، لتقدير مدى جودة عمله بدقة ضد مرض ما. ومع ذلك، غالباً ما تتعثر هذه التنبؤات عندما تكون البيانات شحيحة أو مشوشة، مما يؤدي إلى هدر الموارد على مركبات تبدو جيدة على الورق ولكنها تفشل في أنبوب الاختبار. كان التحدي الجوهري هو إيجاد طريقة لتوجيه البحث عبر هذه البرية الكيميائية بإشارة موثوقة بما يكفي للثقة بها، حتى عندما تكون الخريطة غير مكتملة.
اقترح فريق من الباحثين في جامعة كوبنهاغن طريقة مختلفة للملاحة في هذا الفضاء، حيث نقلوا التركيز من تخمين الدرجات الدقيقة إلى إجراء مقارنات بسيطة. طريقتهم الجديدة، التي تسمى APOSM، تعامل البحث عن أدوية أفضل ليس كلعبة تهدف لإصابة رقم مستهدف محدد، بل كسلسلة من المواجهات المباشرة (رأس لراس). فبدلاً من مطالبة الكمبيوتر بالتنبؤ بالنشاط الدقيق لجزيء واحد، يطرح النظام سؤالاً أبسط: بالنظر إلى مرشحين اثنين، أيهما من المرجح أن يكون الأفضل؟ يعتمد هذا النهج على مفهوم مألوف لأي شخص سبق له ترتيب العناصر، ولكن تم تطبيقه هنا على العالم المعقد للتصميم الجزيئي. ومن خلال تدريب الكمبيوتر على التعلم من هذه التفضيلات النسبية، وجد الباحثون أن بإمكانهم بناء دليل أكثر موثوقية لاكتشاف أدوية جديدة، خاصة في الحالات التي تكون فيها البيانات محدودة ويصعب تفسيرها.
بنى الباحثون نظامهم حول حلقة تعلم نشط، وهي عملية تحاكي الطريقة التي قد يصقل بها عالم فرضية ما بشكل متكرر. تبدأ العملية بمجموعة صغيرة من الجزيئات المعروفة ومولد ينشئ تنويعات جديدة من خلال إجراء تغييرات بسيطة ومنطقية كيميائياً عليها، مثل استبدال قطعة من الهيكل بقطعة أخرى مختلفة. ثم يتم تغذية هذه المرشحات الجديدة في نموذج "بديل" (surrogate model)، وهو نوع من الذكاء الاصطناعي المصمم لمحاكاة نتائج تجربة مخبرية. في هذا النظام، لا ينظر النموذج البديل إلى الجزيئات بمعزل عن بعضها البعض؛ بل ينظر إلى أزواج من الجزيئات ويتعلم التنبؤ بأيهما سيفضله المختبر بناءً على البيانات التجريبية السابقة. تُستخدم إشارة التفضيل هذه بعد ذلك لترتيب جميع المرشحات الجديدة، ويتم اختيار الأعلى ترتيباً ليتم اختبارها في المختبر الافتراضي أو الحقيقي. وتُغذى نتائج هذه الاختبارات مرة أخرى في النظام، مما يسمح للنموذج البديل بالتعلم وتحسين قدرته على الترتيب للجولة التالية.
لاختبار ما إذا كانت هذه الطريقة تعمل بالفعل، وضعها الفريق أمام تحديين متميزين. كان الأول مهمة تتعلق بمستقبلات الدوبامين، وهي هدف شائع للأدوية التي تعالج حالات مثل مرض باركنسون. تم إعطاء الكمبيوتر قائمة أولية من 300 جزيء معروف وطلب منه إيجاد جزيئات جديدة تشبه هيكلياً هدفاً معيناً مخفياً. في هذا السيناريو، أثبتت الطريقة الجديدة تفوقها على النهج القديمة. وبينما كانت الخوارزميات الأخرى تتجول بعيداً عبر المشهد الكيميائي، وغالباً ما تبتعد إلى مناطق ذات إمكانات منخفضة، ظل النظام الموجه بالتفضيل مركزاً على المناطق ذات القيمة العالية. لقد وجد باستمرار مرشحين أفضل ووصل إلى درجات أعلى بعدد محاولات أقل، مما أثبت أن استراتيجية المقارنة النسبية يمكنها فعلياً الملاحة نحو الهدف حتى عند البدء بمجموعة محدودة من المعلومات.
كان التحدي الثاني أكثر صرامة، حيث استخدم مجموعة معيارية تسمى "Practical Molecular Optimization"، والتي تتضمن 25 مهمة مختلفة تتراوح من البحث عن جزيئات ذات أشكال محددة إلى تحسين خصائص متعددة في آن واحد. في هذه الاختبارات، كان النظام يبدأ غالباً من الصفر بجزيء واحد فقط ومع حد صارم لعدد التجارب الافتراضية التي يمكن إجراؤها. وهنا، أصبحت ميزة النهج القائم على التفضيل أكثر وضوحاً. قارن الباحثون طريقتهم بنسخة تحاول التنبؤ بدرجات دقيقة وبخوارزمية جينية قياسية تحاكي التطور الطبيعي. تفوق النظام الموجه بالتفضيل على كليهما، خاصة في المهام التي يكون فيها التنبؤ بدرجة دقيقة أمراً صعباً للغاية. لم يجد جزيئات أفضل فحسب، بل أنتج أيضاً مجموعة من المرشحين الذين يشبهون المركبات عالية الجودة الشبيهة بالأدوية الموجودة في قواعد البيانات الواقعية، مما يشير إلى أنه كان يتعلم نوعاً صحيحاً من الحدس الكيميائي.
كان جزء حاسم من الدراسة هو تحديد سبب نجاح هذه الطريقة بهذا الشكل. أجرى الباحثون فحصاً محدداً لمعرفة ما إذا كان التحسن ناتجاً عن طريقة تعلم الكمبيوتر أو عن الطريقة التي يولد بها جزيئات جديدة. ووجدوا أن المفتاح كان في طريقة التعلم نفسها. فعندما استبدلوا المتعلم القائم على التفضيل بآخر يحاول التنبؤ بدرجات دقيقة، انخفض الأداء. وقد أكد ذلك أنه في البيئة الفوضوية والفقيرة بالبيانات في اكتشاف الأدوية، من الأسهل والأكثر موثوقية للكمبيوتر أن يتعلم أي الخيارين أفضل من أن يخمن القيمة الدقيقة لخيار واحد. لقد تعلم النظام جوهرياً الوثوق بالإشارة النسبية، متجاهلاً الضجيج الذي غالباً ما يعيق التنبؤات المطلقة.
يمثل هذا العمل خطوة كبيرة للأمام في كيفية استخدامنا للذكاء الاصطناعي لتصميم الأدوية. فمن خلال فصل توليد الجزيئات الجديدة عن آلية التسجيل والتركيز على المقارنات الثنائية، أنشأ الباحثون إطاراً مرناً وقوياً. فهو لا يتطلب مجموعة بيانات ضخمة للبدء ويمكنه التكيف مع وصول بيانات جديدة. وتشير النتائج إلى أنه بالنسبة لمشكلة تحسين الرائد (lead refinement) الصعبة في العالم الحقيقي — حيث يجب على العلماء تحسين مرشح دوائي واعد ولكنه غير مثالي — فإن التعلم المقارن يقدم مساراً أكثر موثوقية من محاولة التنبؤ بالمستقبل بيقين مطلق. ومع انتقال المجال نحو تحديات تصميم أكثر تعقيداً، يوفر هذا النهج طريقة منهجية لتحويل البيانات التجريبية المشوشة والشحيحة إلى دليل واضح للاكتشاف، مما يضمن العثور على الجيل القادم من الأدوية بكفاءة أكبر وثقة أكبر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.