ذكاء اصطناعي جديد يحاكي حركة البروتينات بدقة ذرّية لتسريع اكتشاف الأدوية
المعلومة / متابعة ..
طوّر باحثون في المعهد الفدرالي السويسري للتكنولوجيا في لوزان إطاراً جديداً قائماً على الذكاء الاصطناعي قادرًا على إنتاج نماذج ديناميكية كاملة الذرات للبروتينات، بما يشمل تفاصيل السلاسل الجانبية الدقيقة، في خطوة قد تُحدث تحولاً كبيراً في تسريع اكتشاف الأدوية وتصميم العلاجات الحديثة.
وتُعد البروتينات من أكثر المكونات الحيوية تعقيداً داخل الخلايا الحية، إذ تتحرك باستمرار وتتغير أشكالها لأداء وظائفها البيولوجية المختلفة. وتعتمد كثير من العمليات العلاجية على قدرة الجزيئات الدوائية على الارتباط بهذه البروتينات بطريقة تشبه “المفتاح والقفل”، ما يجعل فهم بنيتها وحركتها أمراً أساسياً في تطوير الأدوية والأجسام المضادة.
من البنية الثابتة إلى الحركة الديناميكية
شهد مجال علم الأحياء الهيكلي خلال السنوات الأخيرة تطوراً هائلاً بفضل تقنيات الذكاء الاصطناعي، وفي مقدمتها نظام AlphaFold الذي طورته Google DeepMind. غير أن معظم هذه الأنظمة تركز على إنتاج “لقطات ثابتة” للبروتينات، من دون تمثيل دقيق للتغيرات الحركية المستمرة التي تطرأ عليها مع الزمن.
ويُعد تتبع تحركات السلاسل الجانبية للأحماض الأمينية من أبرز التحديات العلمية، نظراً لدورها الحاسم في كيفية تفاعل البروتينات مع الجزيئات الكيميائية والدوائية.
إطار ذكاء اصطناعي جديد
وللتغلب على هذه العقبة، تعاون علماء من كلية علوم الحياة مع خبراء معالجة البيانات في كلية الهندسة بـ المعهد الفدرالي السويسري للتكنولوجيا في لوزان، بقيادة الباحثين باتريك بارث وبيير فاندرغينست.
وأسفر التعاون عن تطوير إطار توليدي جديد يعتمد على الذكاء الاصطناعي يحمل اسم “الانتشار الكامن لتوليد البروتين الكامل” (LD-FPG)، يتيح إنتاج مجموعات متنوعة من الحالات البنيوية المحتملة للبروتينات اعتماداً على بيانات محاكاة الديناميكا الجزيئية.
كيف يعمل النظام؟
يعتمد النظام على تقنية “الشبكات العصبية الرسومية” التي تتعامل مع البروتينات باعتبارها رسوماً بيانية رياضية، حيث تمثل الذرات “عُقداً” والروابط الكيميائية “حوافاً”. ويساعد هذا التمثيل في ضغط البيانات البنيوية المعقدة داخل فضاء كامن مبسط يركز على أنماط الحركة والتغير البنيوي.
بعد ذلك، يستخدم النظام “نماذج الانتشار” لتعلّم الحركات البنيوية للبروتينات من آلاف اللقطات المستخلصة من محاكاة الديناميكا الجزيئية، قبل إعادة بناء نماذج عالية الدقة تتضمن تفاصيل السلاسل الجانبية والتحولات الحركية مع تقليل الأخطاء البنيوية.
نجاح في محاكاة مستقبلات دوائية معقدة
واختبر الباحثون النظام على فئة معقدة من الأهداف الدوائية تُعرف باسم المستقبلات المقترنة بالبروتين جي، والتي تستهدفها نحو 36% من الأدوية المعتمدة عالمياً.
وتمكن النظام من إنتاج تمثيلات ديناميكية دقيقة لمستقبل الدوبامين البشري (D2R) في حالتيه النشطة وغير النشطة، مع قدرة متقدمة على التقاط حركات السلاسل الجانبية بدرجة قريبة من نتائج المحاكاة الفيزيائية الأصلية.
كما أظهرت الاختبارات تفوق النظام الجديد على نماذج حديثة أخرى مثل AlphaFlow وBioEmu، خصوصاً في تمثيل التفاصيل المحلية الدقيقة للبروتينات.
آفاق جديدة لاكتشاف الأدوية
ويرى الباحثون أن هذا التطور قد يفتح الباب أمام تصميم أدوية أكثر دقة، لا تعتمد فقط على الشكل الثابت للبروتين، بل تأخذ في الحسبان سلوكه الديناميكي وقدرته على تغيير بنيته مع الزمن.
ورغم هذا التقدم، شدد الفريق العلمي على أن جودة البيانات تظل العامل الأهم في نجاح تطبيقات الذكاء الاصطناعي الحيوية، مؤكدين أن دور العلماء البشر سيبقى أساسياً في إنتاج البيانات الدقيقة ووضع معايير تقييم موثوقة لتوجيه هذه التقنيات نحو نتائج علمية دقيقة وآمنة.
