Unifying Disjoint Phenotypic Contexts: A Multimodal Soft Contrastive Approach to Identify DILI Activity Cliffs
تقدم الورقة البحثية BioMol، وهو إطار عمل متعدد الوسائط يوحد مجموعات البيانات المظهرية المنفصلة مع الهياكل الجزيئية باستخدام هدف تبايني ناعم للتغلب على قيود الطرق التقليدية وتحسين تحديد منحدرات النشاط الناتجة عن إصابة الكبد الناجمة عن الأدوية (DILI) بشكل كبير.
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
في عالم اكتشاف الأدوية عالي المخاطر، يمر الطريق من الفكرة الكيميائية إلى الدواء المنقذ للحياة عبر عقبة واحدة مرعبة: السمية. قد يبدو الدواء مثاليًا في أنبوب الاختبار، ويرتبط بهدفه بدقة، ليخفق فشلاً ذريعاً عندما يصل إلى كبد الإنسان. هذا هو مجال إصابة الكبد الناجمة عن الأدوية، وهو سبب رئيسي وراء سحب الأدوية الواعدة من السوق أو عدم وصولها إلى المرضى على الإطلاق. لا تكمن التحديات في كون الأدوية قد تكون سامة فحسب، بل في كونها قد تكون متشابهة بشكل مخادع. فغالبًا ما يواجه العلماء "منحدرات النشاط"، وهي ظاهرة تبدو فيها جزيئان متطابقتين تقريبًا في هيكلهما الكيميائي، ومع ذلك يكون أحدهما علاجًا آمنًا بينما يسبب توأمه القريب ضررًا شديدًا للكبد. تعتمد الطرق التقليدية لتحليل هذه المواد الكيميائية على رسم خرائط لأشكالها الهيكلية، ولكن عندما تكون الأشكال متشابهة تقريبًا، تفشل هذه الخرائط في التمييز بين الآمن والخطير. ولحل هذه المشكلة، بدأ الباحثون في النظر إلى ما وراء الهيكل الكيميائي نفسه، والالتفات بدلاً من ذلك إلى البصمات البيولوجية التي تتركها الأدوية: التغييرات التي تسببها في مظهر الخلايا وكيفية سلوك جيناتها.
قام فريق من الباحثين في جامعة آلتو ومعهد إليس فنلندا بتطوير نهج جديد للتنقل عبر هذه المنحدرات الخطرة، حيث قدموا نظامًا أطلقوا عليه اسم BioXMol. يعالج عملهم فجوة حرجة في كيفية تعلم الحواسيب التنبؤ بسلامة الأدوية. وبينما كانت المحاولات السابقة للجمع بين البيانات الكيميائية والملاحظات البيولوجية موجودة بالفعل، إلا أنها كانت تعوقها عيبان رئيسيان: أولاً، كانت تتطلب اختبار كل دواء بمفرده في كل نوع من أنواع التجارب البيولوجية، وهو شرط نادر التحقق في الواقع حيث تولد مجموعات بحثية مختلفة أنواعًا مختلفة من البيانات لمجموعات مختلفة من المواد الكيميائية. ثانيًا، وبشكل أكثر دقة، كانت تعامل جميع الأدوية غير المتطابقة على أنها مختلفة عن بعضها البعض بالتساوي. وقد تجاهل هذا الافتراض الواقع البيولوجي الذي يقضي بأن دواءين مختلفين قد يسببان استجابات متشابهة في الخلية، كما أن معاقبتهما كما لو كانتا غير مرتبطتين تمامًا قد شوه فهم الحاسوب.
حل الباحثون هذه المشكلات من خلال بناء إطار عمل يمكنه التعلم من مجموعات بيانات منفصلة. فقد دمجوا الهياكل الجزيئية مع مجموعتي بيانات عامتين ضخمتين ومستقلتين: إحداهما تحتوي على صور تفصيلية لكيفية تغير شكل الخلايا عند تعرضها لآلاف المركبات المختلفة، والأخرى تحتوي على ملفات التعبير الجيني التي تظهر كيف تغير آلاف المركبات الأخرى النشاط الخلوي. ومن الأهمية بمكان أن هاتين المجموعتين لم تشتركا في نفس المركبات. وبدلاً من انتظار وجود تداخل مثالي، قام النظام الجديد بربط كلا النوعين من البيانات البيولوجية بالهياكل الكيميائية، مما سمح له للتعلم من اتحاد جميع المعلومات المتاحة. وهذا يعني أن الحاسوب يمكنه تعلم العلاقة بين شكل الدواء وآثاره البيولوجية حتى لو لم يتم اختبار أي دواء واحد في كل من تجارب التصوير وتجارب التعبير الجيني.
ولصقل هذا التعلم، استبدل الفريق الطريقة "الصلبة" المعتادة لتعليم الحواسيب التمييز بين العناصر بطريقة "لينة". في جلسة تدريب نموذجية، يُقال للحاسوب إنه إذا لم يتطابق عنصران، فهما مختلفان تمامًا. ومع ذلك، يستخدم النهج الجديد استراتيجية أكثر دقة؛ إذ يدرك أنه بينما قد لا يكون الدواءان متطابقين، إلا أنهما قد يظلان متشابهين بيولوجيًا. ومن خلال استخدام نظام قائم على الزخم يعمل كدليل مستقر، يقوم النموذج بوزن الاختلافات بين الأدوية بناءً على تشابهها البيولوجي الفعلي. فإذا تسبب دواءان مختلفان في تغييرات مماثلة في الخلية، فإن النظام يعاملهما كأنهما أقل اختلافًا من دواءين يسببان تأثيرات متضاربة تمامًا. وهذا يحافظ على التدرجات المستمرة للاستجابة البيولوجية، بدلاً من فرض خيار ثنائي بين "التطابق" و"الاختلاف".
عندما اختبر الباحثون نظامهم على مجموعة من منحدرات النشاط المعروفة — وهي أزواج من الأدوية المتشابهة هيكليًا ذات نتائج متضاربة في سمية الكبد — كانت النتائج مذهلة. فقد صنف النهج الجديد القائم على التباين اللين الدواء السام على أنه أكثر خطورة من الدواء الآمن في 80.7% من الحالات. وفي المقابل، فإن نسخة من نفس النظام تم تدريبها باستخدام الطريقة "الصلبة" التقليدية، والتي افترضت أن جميع الأدوء غير المتطابقة مختلفة بالتساوي، لم تكن أفضل من الصدفة العشوائية، حيث نجحت في تحديد الترتيب الصحيح بنسبة 51% فقط. وحتى البصمات الكيميائية القياسية، التي تعتمد فقط على الشكل الهيكلي دون أي سياق بيولوجي، حققت دقة قدرها 60.7% فقط. وقد أظهرت الدراسة أن التحسن جاء تحديدًا من الطريقة التي تعامل بها النموذج مع الاختلافات بين الأدوية، وليس فقط من خلال امتلاك المزيد من البيانات.
تكشف النتائج عن رؤية جوهرية حول كيفية تقييمنا لنماذج سلامة الأدوية. فعند اختبارها على مجموعة واسعة وعامة من المواد الكيميائية باستخدام الطرق القياسية، أدت جميع النماذج أداءً متشابهًا، حيث تجمعت معًا دون وجود فائز واضح. ولم يتضح الأمر إلا عندما تم تضييق نطاق الاختبار ليشمل حالات محددة وصعبة مثل منحدرات النشاط، حيث ظهرت القوة الحقيقية للنهج الجديد. ووجد الباحثون أن طرق التقييم القياسية كانت تخفي فعليًا قدرة النموذج على التمييز بين السيناريوهات الأكثر خطورة سريريًا. ومن خلال التركيز على هذه الحالات الحدية، أظهروا أن النهج اللين الواعي بيولوجيًا يخلق تمثيلًا حيث يتم فصل النظائر الآمنة والسامة بمسافة واضحة وذات معنى، في حين تترك الطرق التقليديةها متكتلة معًا. ويشير هذا العمل إلى أنه لكي نتنبأ حقًا بسلامة الأدوية، يجب أن نتجاوز مجرد المطابقة الهيكلية البسيطة ونتبنى فهمًا أكثر سيولة وقائمًا على أسس بيولوجية لكيفية تفاعل المواد الكيميائية مع الأنظمة الحية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.