FreeSolvE: Solvent-Mediated Differentiable Pose Refinement and Ultra-Fast Biophysical Inductive Bias for Molecular Generation and Docking
يُعد FreeSolvE محركاً تفاضلياً جديداً فائق السرعة يسد الفجوة بين الذكاء الاصطناعي التوليدي والفيزياء الحيوية الفيزيائية من خلال استخدام الإذابة الضمنية والكينماتيكا المفصلية لحل التنافر الفراغي في وضعيات الإرساء الجزيئي بدقة عالية وجهد حوسبي ضئيل.
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
غالبًا ما يبدأ تصميم الأدوية الجديدة بلغز بسيط ثلاثي الأبعاد: كيف يتناسب جزيء دواء صغير مع الشكل المعقد والمطوي لبروتين مستهدف داخل جسم الإنسان؟ لعقود من الزمن، اعتمد العلماء على المحاكاة الحاسوبية للتنبؤ بهذا التوافق، آملين في إيجاد شكل يغلق الدواء في مكانه لإيقاف المرض. وفي السنوات الأخيرة، أحدث الذكاء الاصطناعي تحولًا في هذا المجال، حيث قدم أدوات يمكنها توليد ملايين الأشكال المحتملة للأدوية في ثوانٍ. ومع ذلك، فإن هذه النماذج الإحصائية السريعة تعاني من خلل جوهري؛ فبسبب تدريبها أساسًا على صور ثابتة للجزيئات، غالبًا ما تنتج أشكالًا تبدو صحيحة على الورق ولكنها مستحيلة فيزيائيًا في الواقع. فقد تضع ذرتين قريبتين من بعضهما البعض لدرجة تجعلهما تتنافران بعنف، أو قد تتجاهل حقيقة أن الدواء يطفو في الماء، وليس في فراغ. هذه الجزيئات "الشبحية" أنيقة رياضيًا لكنها معطلة بيولوجيًا، مما يؤدي إلى أزمة حيث تفشل أكثر المرشحات الواعدة التي أنتجها الذكاء الاصطناعي فورًا عند اختبارها ضد قوانين الفيزياء.
قدم باحث في جامعة بي إي إس (PES University) في بنغالور، يُدعى أرجون سوبارامان، نهجًا جديدًا يسمى "FreeSolvE" لسد هذه الفجوة بين الذكاء الاصطناعي والواقع الفيزيائي. وبدلاً من محاولة إجبار الذكاء الاصطناعي على تعلم كل قاعدة فيزيائية من الصفر، بنى سوبارامان محركًا متخصصًا يعمل كفحص سريع للواقع الفيزيائي لهذه الجزيئات الرقمية. وتتمثل الفكرة الجوهرية في التعامل مع الدواء والبروتين كما لو كانا مغمورين في الماء، لأن هذه هي الطريقة التي تعمل بها الحياة حقًا. ففي جسم الإنسان، يحيط الماء بكل جزيء، ويعمل كوسادة تخفف القوى الكهربائية وتدفع الأجزاء غير المحبة للماء في الدواء نحو مخابئ البروتين. يستخدم نظام سوبارامان مفهوم الماء هذا كوسيط لتصحيح أخطاء نماذج الذكاء الاصطناعي فورًا؛ فهو لا يكتفي بالتخمين أين يجب أن يذهب الجزيء، بل يحسب كيف سيقوم الماء المحيط بدفع وسحب الجزيء حتى يجد وضعًا مستقرًا وخاليًا من التصادمات.
يكمن الابتكار في كيفية إجراء هذه الحسابات. فالطرق التقليدية التي تحاكي جزيئات الماء واحدًا تلو الآخر بطيئة للغاية، إذ تستغرق غالبًا ساعات أو حتى أيامًا لتهدئة شكل واحد للدواء إلى شكل صالح. كما أن هذه الطرق هشة؛ فإذا واجه البرنامج الحاسوبي ذرة مفقودة أو مجموعة كيميائية غريبة، فإنه غالبًا ما يتعطل. يتجنب نظام سوبارامان هذه العثرات باستخدام نهج "الوسط المتصل" (continuum approach). فبدلاً من تتبع جزيئات الماء الفردية، يعامل الماء كسائل مستمر وناعم يملأ الفراغ حول البروتين. وهذا يسمح للحاسوب بحل فيزياء النظام في جزء من الثانية. يقوم البرنامج بحساب القوى الكهربائية وضغط الماء على جزيء الدواء باستخدام تقنية رياضية محسنة للعمل على المعالجات الحاسوبية القياسية، مما يعني أنه لا يتطلب حواسيب فائقة باهظة الثمن للعمل.
وعند اختباره مقابل مجموعة صارمة مكونة من خمسين زوجًا من (الدواء-البروتين) من العالم الحقيقي، كانت النتائج مذهلة. فقد فشلت نماذج الذكاء الاصطناعي، قبل التصحيح، في إنتاج شكل صالح فيزيائيًا في جميع الحالات تقريبًا، حيث نجح اثنان فقط من التخمينات الأولية في اجتياز فحوصات السلامة الأساسية. وبعد المرور عبر محرك FreeSolvE، قفزت نسبة النجاح إلى اثنين وخمسين بالمائة. حدث هذا التحسن في متوسط قدره 2.33 ثانية لكل دواء فقط. ولتوضيح سرعة هذا الأمر، فإن المحاكاة التقليدية التي تحاكي كل جزيء ماء بشكل فردي ستستغرق حوالي اثنتي عشرة ساعة لتحقيق نفس المستوى من الاستقرار. إن النظام الجديد أسرع بأكثر من ثمانية عشر ألف مرة، مما يسمح للباحثين باختبار آلاف المرشحات الدوائية في الوقت الذي كان يستغرقه اختبار مرشح واحد فقط.
وبعيدًا عن مجرد إصلاح الأشكال السيئة، يغير هذا النظام أيضًا كيفية تدريب نماذج الذكاء الاصطناعي هذه. فعادةً، عندما يتعلم الكمبيوتر التنبؤ بأشكال الأدوية، يتم معاقبته فقط لكونه بعيدًا قليلاً في الموضع، لكنه لا "يعرف" أن ذرتين لا يمكنهما احتلال نفس المساحة. ومن خلال دمج محرك الفيزياء القائم على الماء هذا مباشرة في عملية التدريب، يتعلم الذكاء الاصطناعي تجنب الأشكال المستحيلة منذ البداية. وفي التجارب، ظل نموذج الذكاء الاصطناعي القياسي المدرب بدون هذه المساعدة عالقًا في حالة من التصادم المستمر، غير قادر على إصلاح أخطائه حتى بعد محاولات عديدة. أما النموذج المدرب باستخدام المحرك الجديد، فقد قضى على جميع التصادمات الفيزيائية في غضون خمس جولات تدريبية فقط. وقد حقق النظام ذلك دون إبطاء عملية التعلم، حيث لم يضف سوى جزء ضئيل من الثانية إلى كل خطوة.
لقد كان الباحثون حذرين في تحديد حدود عملهم؛ فالنظام يفترض أن البروتين نفسه يظل صلبًا ولا يغير شكله لاستيعاب الدواء، كما أنه لا يأخذ في الاعتبار جزيئات الماء المحددة التي قد تشكل جسرًا بين الدواء والبروتين. إنه مصمم للتعامل مع الدفع والسحب العام للبيئة المذيبة بدلاً من التفاصيل الدقيقة لكل جزيء ماء بمفرده. ورغم هذه الحدود، يقدم هذا النموذج حلاً قوياً لعقبة رئيسية في اكتشاف الأدوية؛ فهو يوفر وسيلة لأخذ التنبؤات فائقة السرعة للذكاء الاصطناعي وربطها فوراً بالقوانين الفيزيائية التي تحكم الحياة. ومن خلال جعل من الممكن التحقق من الصلاحية الفيزيائية لملايين أشكال الأدوية في الوقت الفعلي، يمكن لهذا النهج مساعدة العلماء على تجاوز القيود الحالية للتصاميم المولدة بالذكاء الاصطناعي والتركيز على الجزيئات الجاهزة حقًا للعمل داخل جسم الإنسان. إن الكود البرمجي لهذا النظام متاح الآن للعلماء الآخرين لاستخدامه، مما يقدم معيارًا جديدًا لضمان أن تصاميم الأدوية الرقمية ليست مجرد احتمالات إحصائية، بل هي ممكنة فيزيائيًا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.