في زمن حيث التكنولوجيا ليست فقط تؤثر ولكنها تشكل بنشاط مستقبل الرعاية الصحية، أصبح تأثير الذكاء الصناعي (AI) في اكتشاف الأدوية بالغ الأهمية. قد أدى ظهور الذكاء الاصطناعي التوليدي، وهي مجموعة فرعية متطورة من التعلم الآلي، إلى تغيير أساسي في مشهد البحث الصيدلاني والتطوير. هذه الثورة التكنولوجية ليست فقط تسرّع بشكل كبير العملية التقليدية المطولة لاكتشاف الأدوية، بل أيضًا أظهرت بحرًا من الهياكل الجزيئية الجديدة المحتملة، جاهزة للاستغلال لأغراض علاجية. من الجدير بالذكر أن الذكاء الاصطناعي التوليدي يمكن أن يساعد في إنشاء هذه الجزيئات الجديدة بالخصائص المطلوبة التي يمكن أن تكون أدوية محتملة.
تستغل الذكاء الاصطناعي التوليدي القوة الهائلة لخوارزميات التعلم الآلي المتقدمة، وخاصة التعلم العميق، لإنشاء جزيئات جديدة تمتلك الخصائص المطلوبة بشكل تلقائي. يشبه هذا الابتكار تقديم أداة متطورة للباحثين يمكنها استحضار عدد لا يحصى من المرشحين المحتملين للأدوية، تجاوزًا للقيود التقليدية، غالبًا ما تكون عرضية، لأساليب الاكتشاف. علاوة على ذلك، يمكن لهذه النماذج توليد عدد كبير من الهياكل الجديدة في فترة زمنية أقصر بكثير مقارنةً بالأساليب التقليدية.
الآلية في اكتشاف الأدوية
تعمل نماذج الذكاء الاصطناعي التوليدي عن طريق توليد عدد كبير من الهياكل الجزيئية الجديدة بسرعة في جزء من الوقت الذي سيكون مطلوبًا من خلال الأساليب المعتمدة على المختبر التقليدية، وهي عملية قد تستغرق سنوات، إن لم تكن عقود. دراسات قد أشارت إلى القدرة المحتملة للذكاء الاصطناعي التوليدي على تقليل الوقت الذي يستغرقه اكتشاف الأدوية بنسبة تصل إلى 50%. يعزى هذا التسريع الرائع بشكل أساسي إلى قدرة هذه النماذج على اقتراح جزيئات بخصائص علاجية محددة مسبقًا وخصائص فيزيائية كيميائية بسرعة.
شهدت المجال تطورًا كبيرًا في أنواع النماذج الجينية المستخدمة. في البداية، كانت الشبكات المعادية التوليدية (GANs) والمشفرات التباينية (VAEs) بارزة، ولكن التقدم الحديث شهد ظهور بنى تحتية أكثر تطورًا. على سبيل المثال، النماذج الانتشارية تكتسب شهرة بسرعة على النماذج السابقة بسبب قدرتها الفائقة على توليد هياكل متنوعة وعالية الجودة وجديدة، بالإضافة إلى عمليات التدريب المستقرة بشكل أكبر. وفقًا لمراجعة عام 2024، تقدم النماذج الانتشارية تنوعًا وجدةً أفضل في توليد الجزيئات، مع تمكين النماذج الانتشارية الشرطية لتوليد الجزيئات المستهدفة بخصائص محددة. علاوة على ذلك، يعزز دمجها مع بيانات البيولوجيا الهيكلية، مثل جيوب الربط البروتيني، تحسين الرصاص بشكل كبير عن طريق التنبؤ بكيفية تفاعل الجزيئات في سياق بيولوجي ثلاثي الأبعاد.
وتطورًا آخر يعد تحويل نماذج اللغة الكبيرة (LLMs). صممت في الأصل لمعالجة اللغة الطبيعية، يتم الآن صقل LLMs للمهام الكيميائية عن طريق معالجة التمثيلات الجزيئية، مثل سلاسل SMILES، كـ ‘لغة كيميائية.’ تظهر الأبحاث أن LLMs يمكن أن تتعلم بفعالية قواعد الكيمياء لتوليد الجزيئات من الصفر. تظهر LLMs المكيفة بدقة، مثل ‘ChemLLM’ الموصوف في مسبقة طبعة arXiv لعام 2024، دقة عالية في التنبؤ بالخصائص الجزيئية ومسارات التراجع عن التوليف، وتقدم إطارًا موحدًا لمختلف مهام الكيمياء المعلوماتية.
أمثلة عملية وحالات استخدام
في السنوات الأخيرة، قامت العديد من الشركات الصيدلانية ومؤسسات البحث بتبني الذكاء الاصطناعي التوليدي بحماس. لقد نجحوا في توليد مرشحين محتملين للأدوية لمجموعة واسعة من الأمراض، بما في ذلك أشكال مختلفة من السرطان، والسكري، والاضطرابات العصبية المنهكة. هذه الهياكل الجديدة، التي تم تصورها وصقلها في وقت قياسي، أظهرت نتائج واعدة في الدراسات السريرية الأولية، وتعزز باستمرار القدرة التحويلية الذكاء الاصطناعي التوليدي في اكتشاف الأدوية. يدعم ذلك التطورات الأخيرة التي تشير إلى زيادة كبيرة في استخدام الذكاء الصناعي التوليدي في اكتشاف الأدوية، مع استثمار العديد من الشركات الصيدلانية عالميًا في هذه التكنولوجيا.
مثال قوي على قدرة الذكاء الصناعي على الاستجابة السريعة كان نشرها خلال جائحة COVID-19. قام باحثو الذكاء الصناعي بتوليد وفحص مرشحي الأدوية المضادة للفيروسات بسرعة، مما ساهم بشكل كبير في تطوير العلاجات بسرعة غير مسبوقة، وهو شهادة على قدرة التكنولوجيا على التكيف في الأزمات.
بعيدًا عن التطبيقات العريضة، تبرز الإنجازات الخاصة دقة الذكاء الصناعي. أفاد Zhang وآخرون أن LLM المكيفة بدقة أنتجت بنجاح 15 مركبًا جديدًا مع التقارب المتوقع أقل من 100 نانومتر لهدف كيناز محدد، مما يبرز قدرة النموذج على ضرب أهداف بيولوجية دقيقة. علاوة على ذلك، في عالم التحسين متعدد الأهداف، قدم آخرون في ACS Central Science، وأظهرت قدرتها على موازنة بفعالية أهداف متعارضة متعددة في تصميم الجزيئات. حقق هذا النموذج تغطية أعلى بنسبة 30% للجبهة باريتو وتحسين بنسبة 25% في درجات الخصائص المرغوبة مقارنة بالنماذج الأساسية، مولدًا جزيئات متنوعة وجديدة مع تلبية القيود المعقدة. في البيولوجيا الهيكلية الثلاثية الأبعاد، قدمت طبعة bioRxiv لعام 2024 نموذج انتشار توليدي ثلاثي الأبعاد لتوقع الوضعية البروتين-الرابط، محققة نسبة نجاح تصل إلى 75% في توليد الوضعيات القريبة من الأصلية، وتقدم بذلك نموذجًا جديدًا لتصميم الأدوية المستندة إلى البنية.
الاتجاهات الناشئة والآثار المستقبلية
كما يقول George ، أستاذ في قسم علوم الكمبيوتر والهندسة، جامعة مينيسوتا، ‘يمكن أن تسرع نماذج الذكاء الصناعي التوليدية بشكل كبير عملية اكتشاف الأدوية، ولديها القدرة على توليد هياكل جديدة تتجاوز متناول الأساليب التقليدية.’ يشير مسار الذكاء الاصطناعي التوليدي في اكتشاف الأدوية إلى ارتفاع دراماتيكي في التبني، مع زيادة الاستثمار من الشركات الصيدلانية عالميًا.
يُرجح أن يبسط دمج نماذج اللغة الكبيرة خط أنابيب الكيمياء المعلوماتية، مما يتيح تفاعلًا بين الإنسان والذكاء الصناعي أكثر بديهية في تصميم الأدوية. كان البروفيسور H. Zhang من جامعة ستانفورد، وهو خبير رائد في النماذج للكيمياء المعلوماتية، حاسمًا في إظهار كيف يمكن لهذه النماذج فتح قدرات جديدة في فهم الفضاء الكيميائي من خلال عدسة ‘اللغة’. وبشكل مماثل، تبرز البروفيسورة Regina Barzilay من MIT، المعروفة بعملها في النماذج التوليدية لاكتشاف المضادات الحيوية، قوة الذكاء الصناعي لكشف فصائل جديدة كليًا من العوامل العلاجية.
موضوع أخر مهم هو توصيل النماذج التوليدية بالتعلم التعزيزي (RL) أو خوارزميات التحسين المتعددة الأهداف. يوجه هذا النهج عملية التوليد نحو الجزيئات التي تلبي في الوقت نفسه العديد من الخصائص المرغوبة – مثل الفعالية، وADMET (الامتصاص، والتوزيع، والأيض، والإفراز، والسمية)، والقابلية للتصنيع. هذا حاسم لتصميم مرشحي الأدوية التي ليست فقط فعالة ولكن أيضًا آمنة، ومحددة، وقابلة للتصنيع، وبالتالي تقليل النقص في مرحلة متأخرة في تطوير الأدوية بشكل كبير.