BioGCN: Biologically Inspired Graph Convolutional Network to Predict Human Oral Bioavailability

تخيل أنك محقق يحاول حل لغز، ولكن بدلاً من مسرح جريمة، يكون مسرح جريمتك هو جسم الإنسان. اللغز؟ لماذا تعمل بعض الأدوية مثل السحر عندما تبتلعها، بينما يظل بعضها الآخر في معدتك ويتلاشى قبل أن يتمكن من فعل أي شيء مفيد؟ هذا هو عالم اكتشاف الأدوية، وهي لعبة عالية المخاطر يقضي فيها العلماء مليارات الدولارات وأكثر من عقد من الزمن لتحويل فكرة كيميائية إلى حبة دواء منقذة للحياة. العقبة الكبرى ليست مجرد العثور على جزيء يقتل فيروساً أو يوقف ورماً؛ بل هي التأكد من أن هذا الجزيء يمكنه حقاً النجاة من رحلته عبر جهازك الهضمي ليصل إلى مجرى الدم. تُسمى هذه الرحلة "التوافر الحيوي الفموي". فكر في الأمر مثل عداء الماراثون: مجرد كون العداء سريعاً لا يعني بالضرورة أنه يستطيع إنهاء السباق إذا تعثر في عائق أو ضل الطريق. في عالم الأدوية، إذا لم يتمكن الجزيء من النجاة من "المرور الأول" عبر الكبد والأمعاء، فهو يعتبر فاشلاً، بغض النظر عن مدى قوته في أنبوب الاختبار.

لفترة طويلة، حاول العلماء التنبؤ بهذه الرحلة باستخدام "قائمة مراجعة" للميزات الكيميائية، مثل ميكانيكي يخمن كيف ستعمل سيارة بمجرد النظر إلى قائمة أجزائها. لكن هذا الأسلوب بطيء، ويتطلب الكثير من التخمين الخبير، وغالباً ما يفتقر إلى الرؤية الشاملة. مؤخراً، دخل مشهد البحث نوع جديد من الذكاء الاصطناعي يسمى "الشبكة التلافيفية الرسومية" (GCN). تخيل أن الـ GCN ليس مجرد قائمة مراجعة، بل هو خريطة. إنه ينظر إلى الجزيء بأكمله كشبكة متصلة من الذرات (مثل خريطة مدينة بشوارع وتقاطعات) ويتعلم كيف تتدفق حركة المرور من خلالها. تقدم هذه الورقة البحثية نسخة جديدة وذكية للغاية من قارئ الخرائط هذا تسمى BioGCN. وهي "مستوحاة بيولوجياً" لأنها لا تنظر إلى الخريطة فحسب؛ بل تجلب أيضاً "دليل إرشادي" لفئات الأدوية للمساعدة في فهم التضاريس بشكل أفضل.

أراد الباحثون، وهم فريق من المعهد الإحصائي الهندي، معرفة ما إذا كان إضافة هذا الدليل الإرشادي سيجعل الذكاء الاصطناعي محققاً أفضل. لقد بنوا BioGCN للتنبؤ بما إذا كان الدواء سيكون ذا توافر حيوي عالٍ أو منخفض. وللقيام بذلك، غدوا الذكاء الاصطناعي بمكتبة ضخمة تضم 1,480 دواءً معروفاً للتعلم منها. ولكن إليك المفاجأة: لقد أعطوا الذكاء الاصطناعي نوعين مختلفين من المعلومات. الأول كان مجرد الخريطة الكيميائية الخام (بنية الذرات). والثاني كان تلك الخريطة الخام مضافاً إليها رمز خاص يسمى رمز ATC. فكر في رمز ATC كأنه نظام "ديوي للعشرِي" الخاص بالمكتبات للأدومة؛ فهو يخبرك بالضبط بما يفترض أن يفعله الدواء وأي جزء من الجسم يستهدفه. كانت فكرة الفريق الكبيرة هي أن الأدوية الموجودة في نفس "قسم المكتبة" (نفس رمز ATC) من المحتمل أن تشترك في أسرار متشابهة حول كيفية انتقالها عبر الجسم.

عندما وضعوا BioG এবং اختبارهم لـ BioGCN، كانت النتائج واعدة. تمكن الذكاء الاصطناعي، المسلح بكل من الخريطة الكيميائية ودليل المكتبة، من التنبؤ بنجاح الأدوية الجديدة بدقة تتراوح بين 65.83% و76.5% على بيانات التدريب. وعندما اختبروه على أدوية جديدة تماماً (مجموعة من 288 وأخرى من 45)، ظل أداؤه مثيراً للإعجاب، حيث حقق معدلات دقة تتراوح بين 53.82% و77.78% اعتماداً على السيناريو المحدد. تشير الدراسة إلى أن هذا النهج أفضل من الأساليب القديمة التي اعتمدت فقط على الخريطة الكيميائية أو النماذج الحاسوبية التقليدية. وفي الواقع، عند مقارنته بالنماذج الرائدة الأخرى مثل "HOBPre" أو "Deep-PK"، تفوق BioGCN في معظم الفئات، بما في ذلك مدى قدرته على التمييز بين الأدوية الناجحة والفاشلة.

كما تحقق الفريق مما إذا كان نموذجهم يقوم بمجرد حفظ الإجابات أم أنه يتعلم حقاً. استخدموا تقنية تسمى "التحقق المتقاطع"، وهي تشبه خوض اختبار، ثم تصحيحه، ثم خوض نسخة أخرى مختلفة من الاختبار لمعرفة ما إذا كنت قد استوعبت المادة حقاً. أشارت النتائج إلى أن BioGCN تعمم بشكل جيد، مما يعني أنه يمكنه التعامل مع الأدوية الجديدة غير المرئية دون ارتباك. كما قارنوا بين طريقتين لتنظيم البيانات: إحداهما تحتوي فقط على الميزات الكيميائية (FM) والأخرى تحتوي على الميزات الكيميائية بالإضافة إلى دليل ATC (أي CFM). أظهرت البيانات أن النسخة المزودة بالدليل الإرشادي (CFM) كانت تؤدي بشكل أفضل باستمرار، مما يشير إلى أن معرفة "عائلة" الدواء تساعد حقاً في التنبؤ برحلته عبر الجسم.

ومع ذلك، تحذر الورقة البحثية من تسمية هذا النموذج بـ "الرصاصة السحرية". يشير المؤلفون إلى أنه على الرغم من أن النموذج يمثل خطوة مهمة للأمام، إلا أنه لا يزال يواجه تحديات، خاصة مع الطبيعة الفوضوية وغير المتوازنة لبيانات الأدوية في العالم الحقيقي. وجدوا أن أداء النموذج يمكن أن يتغير اعتماداً على كيفية التعامل مع البيانات (على سبيل المثال، باستخدام تقنية تسمى "SMOTE" لموازنة أعداد الأدوية الناجحة مقابل الفاشلة). وبينما تفوق BioGCN على الطرق الأخرى، فإن الدقة في مجموعات الاختبار لم تكن مثالية، حيث حامت حول علامة 77% في أفضل الحالات. وهذا يشير إلى أنه على الرغم من أن النهج "المستوحى بيولوجياً" هو أداة قوية، إلا أنه لا يزال هناك عمل يتعين القيام به لجعل هذه التنبؤات خالية من العيوب. وتخلص الدراسة إلى أنه من خلال الجمع بين الخريطة الهيكلية للجزيء والتصنيف البيولوجي له، يمكننا بناء أدوات أذكى لمساعدة مطوري الأدوية في تحديد المرشحين الذين يستحقون ملايين الدولارات والسنوات من الوقت اللازمة لإيصالهم إلى رف الصيدلية.