الذكاء الاصطناعي يقتحم عالم الأحياء.. من التنبؤ بالبروتينات إلى تصميم الجينات وتطوير الأدوية
المعلومة/ متابعة …
يفتح تقاطع الذكاء الاصطناعي مع علم الأحياء التركيبي مرحلة جديدة في دراسة المعلومات البيولوجية وتصميم مكوناتها، مع تطور النماذج الحاسوبية وقدرتها على التنبؤ ببنية البروتينات وبعض تفاعلاتها، فضلاً عن اقتراح تصاميم جزيئية جديدة يمكن اختبارها في المختبر.
وبعد عقود من الاعتماد على تقنيات تجريبية قد تتطلب وقتاً وموارد كبيرة لتحديد بعض البنى البروتينية المعقدة، أصبح بالإمكان إدخال تسلسل الأحماض الأمينية في نماذج حاسوبية تتنبأ بالشكل الثلاثي الأبعاد للبروتين، وتساعد في دراسة تفاعلاته المحتملة مع جزيئات أخرى.
ولم يقتصر التطور على التنبؤ ببنى البروتينات، بل امتد إلى دراسة التفاعلات بين الجزيئات الحيوية، إذ تضم قاعدة بيانات “ألفا فولد” (AlphaFold) أكثر من 200 مليون بنية بروتينية متوقعة، تتيح للباحثين استكشاف نطاق أوسع من البروتينات المعروفة.
من التنبؤ ببنية البروتين إلى فهم تفاعلاته
لطالما شكلت مشكلة طي البروتينات أحد أعقد التحديات في علم الأحياء، واعتمد العلماء لعقود على تقنيات تجريبية مكلفة وبطيئة لحل هذه البنى، لكن التقدم كان بطيئاً جداً مقارنة بحجم التسلسلات الجينومية المتراكمة.
ومثل ظهور “ألفا فولد 2” (AlphaFold 2) عام 2020 لحظة فاصلة في تاريخ البيولوجيا الحاسوبية، إذ يتنبأ بالبنية الثلاثية الأبعاد للبروتين انطلاقاً من تسلسله، وتقول “غوغل ديب مايند” إن تحديد بنية بروتين واحد بالطرق التجريبية قد يتطلب وقتاً وموارد كبيرة، خصوصاً في الحالات المعقدة.
وجاءت القفزة التالية عام 2024 مع نشر الدراسة الخاصة بنموذج “ألفا فولد 3” (AlphaFold 3)، الذي وسع نطاق التنبؤ من بنية البروتينات إلى المركبات الحيوية التي تضم البروتينات والأحماض النووية والجزيئات الصغيرة والأيونات.
وأظهرت الاختبارات المنشورة في مجلة “نيتشر” تفوق النموذج على عدد من الأدوات المتخصصة في التنبؤ ببعض التفاعلات الجزيئية، بما فيها ارتباط البروتينات بالجزيئات الصغيرة والأحماض النووية، والتفاعلات بين الأجسام المضادة والمستضدات.
وأتاح إطلاق “خادم ألفا فولد” (AlphaFold Server) للباحثين الاستفادة من قدرات النموذج في التنبؤ بالبنى الحيوية لأغراض البحث غير التجاري، بينما توفر قاعدة بيانات “ألفا فولد” وصولاً مجانياً إلى أكثر من 200 مليون بنية بروتينية متوقعة.
أما “إي إس إم فولد” (ESMFold)، فإنه يعتمد على نماذج لغوية مدربة على تسلسلات بروتينية طبيعية، ويستخدم الأنماط التي تعلمها للتنبؤ ببنية البروتين مباشرة انطلاقاً من تسلسله، دون الاعتماد بالضرورة على المقارنات التطورية المتعددة التي كانت سابقاً شرطاً أساسياً للتنبؤ الدقيق.
وسرّع النموذج عملية التنبؤ مقارنة ببعض الطرق التقليدية المستخدمة في التنبؤ البنيوي، مما أتاح توسيع نطاق استكشاف البروتينات الموجودة في الكائنات الدقيقة والبيئات الطبيعية.
وفي دراسة منشورة في دورية “ساينس” عام 2023، استخدم الباحثون هذه المقاربة لبناء أطلس يضم أكثر من 617 مليون بنية بروتينية متوقعة من بيانات بيولوجية بيئية، بينها أكثر من 225 مليون بنية صُنفت ضمن مستوى الثقة المرتفع، مما وسع نطاق استكشاف التنوع البروتيني في الطبيعة.
من قراءة الجينوم إلى تصميم تسلسلاته
بينما تركز نماذج طي البروتين على الشكل الثلاثي الأبعاد للبروتينات، يسعى نموذج “ألفا جينوم” (AlphaGenome) إلى فهم العلاقة بين تسلسل الحمض النووي ووظائف الجينات وتنظيمها، وهي مهمة أكثر تعقيداً من تحديد الجين الذي يصنع بروتيناً معيناً.
ويحلل النموذج تسلسلات الحمض النووي نفسها، وتحديداً ما يعرف باسم “المادة المظلمة” في الجينوم، وهي النسبة الكبرى من الحمض النووي التي لا تترجم إلى بروتينات بشكل مباشر، لكنها تتحكم في كيفية عمل الجينات وتنظيمها.
ويساعد في تقدير احتمال ارتباط طفرة معينة أو تغيير في الحمض النووي بأمراض معينة، ويتنبأ بخصائص تنظيمية متعددة في وقت واحد بناءً على تسلسل الحمض النووي، مما يعني أنه أصبح من الممكن نمذجة التفاعلات الجينية البعيدة المدى، التي كانت تُستنتج بصعوبة، والتنبؤ ببعضها حاسوبياً.
ويمثل “إيفو 2” (Evo 2) جيلاً من النماذج اللغوية الجينومية التي تتعلم الأنماط الموجودة في تسلسلات الحمض النووي، على نحو يشبه تعلم النماذج اللغوية أنماط النصوص البشرية، لكنها تطبق ذلك على المعلومات الوراثية.
ويستطيع “إيفو 2” قراءة تسلسلات الحمض النووي، بالإضافة إلى تصميم تسلسلات جينية وجينومات كاملة جديدة، وتقدير الأثر الوظيفي المحتمل لبعض التغيرات الجينية، بما فيها متغيرات مرتبطة بأمراض وراثية، بما يساعد الباحثين في فهم وظائف الجينات وتوجيه التجارب إلى التغيرات الأكثر أهمية.
من التصميم الحاسوبي إلى الاختبار
يمثل الانتقال من التنبؤ إلى التصميم جوهر التقاء الذكاء الاصطناعي التوليدي بعلم الأحياء التركيبي، الذي يستخدم مبادئ الهندسة من أجل تصميم أنظمة حيوية أو أجزاء منها لغاية محددة، مثل إنتاج بروتين علاجي أو إنزيم صناعي أو تطوير خلايا قادرة على تنفيذ وظيفة معينة.
وتقليدياً، اعتمدت دورة التصميم والبناء والاختبار على تكرار التجارب المخبرية، لكن الذكاء الاصطناعي أصبح يساعد في ترشيح التصاميم الواعدة وتقليص عدد الخيارات التي تحتاج إلى الاختبار الأولي.
وفي دراسة نُشرت في مجلة “ساينس” عام 2025، أظهر الباحثون قدرة نموذج “إي إس إم 3” (ESM 3) على توليد بروتين فلوري جديد يختلف تسلسله بدرجة كبيرة عن البروتينات الفلورية المعروفة، وقدّر الباحثون أن عملية توليد بروتين فلوري جديد كهذا تعادل محاكاة أكثر من 500 مليون سنة من التطور.
وصمم الباحثون بروتينات ارتباط حاسوبية لاستهداف مستضدات مرتبطة بأورام الدماغ، ودمجوها في خلايا مناعية معدلة وراثياً، وأظهرت الاختبارات المخبرية والحيوانية تحسناً في بعض الخصائص المضادة للأورام، لكن هذه النتائج لا تزال ضمن مرحلة البحث قبل السريري.
من النموذج إلى التجارب السريرية
لعقود، ظل اكتشاف الأدوية عملية مكلفة وبطيئة، وقد تستغرق الرحلة من الفكرة إلى الدواء المعتمد أكثر من عقد من الزمن، لكن الذكاء الاصطناعي يغير هذه المعادلة.
فقد أصبحت نماذج مختلفة تُستخدم في مراحل متعددة من اكتشاف الأدوية، من تحليل البيانات البيولوجية وتحديد الأهداف الجزيئية، إلى اقتراح مركبات مرشحة والتنبؤ ببعض خصائصها، مثل الارتباط والسمية والذوبان.
ويقدم “ريتوسيرتيب” (Rentosertib) مثالاً على انتقال مرشح دوائي اكتُشف بمساعدة الذكاء الاصطناعي إلى التجارب السريرية، حيث يستهدف العقار التجريبي بروتيناً مرتبطاً بمسارات التليف الرئوي المجهول السبب، وأظهرت تجربة المرحلة الثانية نتائج أولية مشجعة، وانتقل إلى المرحلة الثالثة من الاختبارات.
وفي استخدام آخر، صمم الباحثون بروتينات صغيرة باستخدام التعلم العميق للارتباط ببعض السموم العصبية الموجودة في سموم الأفاعي، وأظهرت الاختبارات المخبرية والحيوانية قدرة هذه البروتينات على معادلة السموم وحماية الفئران من التعرض لجرعات قاتلة.
ورغم التقدم الملحوظ، لا تزال معظم الاستخدامات الطبية في مرحلة البحث أو التجارب السريرية المبكرة، ولا يمكن اعتبارها بعدُ بدائل مثبتة للعلاجات التقليدية، إذ إن نجاح التصميم الحاسوبي لا يعني نجاح الدواء تلقائياً لدى الإنسان، وتظل التجارب السريرية ضرورية للتأكد من سلامته وفعاليته.
الوجه الأمني للنماذج الجينومية
تبدأ الهندسة العكسية من خلال تفكيك بنية البروتين وفهم مكوناتها لإعادة بنائها أو استهدافها، وهي معرفة ضرورية لتطوير اللقاحات أو تصميم الأدوية.
وفي آب/أغسطس 2026، أعلن باحثون من جامعة ستانفورد ومعهد آرك نجاحهم في تصميم جينومات عاثيات بكتيرية باستخدام نموذجي “إيفو 1” و”إيفو 2”، حيث استطاعوا تركيب واختبار 285 تصميماً جينومياً في المختبر، أظهر 16 منها قدرة على إصابة بكتيريا الإشريكية القولونية.
وتفتح النتيجة مساراً بحثياً لتطوير عاثيات قد تساعد مستقبلاً في مواجهة بعض أنواع البكتيريا المقاومة للمضادات الحيوية.
ويثير خفض الذكاء الاصطناعي لحاجز الخبرة المطلوبة للتعديل أو التصميم، وتسهيله لمراحل كانت تتطلب سنوات من التدريب المتخصص، مخاوف تجعل الأمن البيولوجي جزءاً من أي نقاش جدي حول الذكاء الاصطناعي.
وكشفت دراسة نشرتها دورية “ساينس” عام 2025، بمشاركة باحثين من مايكروسوفت و”المبادرة الدولية للأمن والسلامة البيولوجية في مجال العلوم” (IBBIS)، عن ثغرات في بعض أنظمة فحص طلبات تصنيع الحمض النووي.
واختبر الباحثون نحو 76 ألف متغير مولد حاسوبياً انطلاقاً من 72 بروتيناً مثيراً للقلق، ورصدوا أن بعض التسلسلات المعدلة قد تتجاوز آليات الفحص القائمة بسبب اختلافها عن التسلسلات المعروفة، مما دفع إلى تطوير تحديثات لتحسين أنظمة الفحص.
وفي حزيران/يونيو 2026، دعا قادة في مجالات الذكاء الاصطناعي والتكنولوجيا الحيوية والأمن القومي، بينهم رؤساء تنفيذيون لشركات أنثروبيك وأوبن إيه آي، الكونغرس إلى جعل فحص طلبات تصنيع الأحماض النووية الاصطناعية وتسجيلها إلزامياً للحد من أخطار الاستخدامات البيولوجية الضارة.
وفي مسار موازٍ، وقع أكثر من 170 عالماً يقودون فرقاً بحثية في مجال تصميم البروتينات معايير مجتمعية طوعية تتضمن عشرة التزامات لتعزيز الاستخدام المسؤول للذكاء الاصطناعي، بينها مراجعة سلامة النماذج قبل إتاحتها، والتعامل مع موردي الحمض النووي الذين يلتزمون بإجراءات الفحص الأمني.
ختاماً، ترتبط أهمية هذه النماذج بأنها وسعت قدرة العلماء على قراءة المعلومات البيولوجية واقتراح تصاميم جديدة قابلة للاختبار، والمساعدة في تطوير علاجات أكثر دقة واختصار بعض مراحل اكتشاف الأدوية.
