كيف يساعد الذكاء الاصطناعي العلماء في تصميم الجيل القادم من الأدوية

الذكاء الاصطناعي في اكتشاف الأدوية: كيف يعيد تشكيل مستقبل الطب

إن إنشاء دواء جديد هو أحد أصعب التحديات العلمية وأكثرها تكلفة. في المتوسط، يتطلب تطوير دواء واحد من 10 إلى 15 سنة ومليارات الدولارات — ومع ذلك، فإن معظم المرشحين لا يصلون أبداً إلى المرضى. وتزداد الصعوبة خاصة في الأدوية البيولوجية — العلاجات القائمة على البروتينات المستخدمة في علاج الأمراض المناعية والسرطانية. لكن الذكاء الاصطناعي يحدث ثورة في هذا المجال تحديداً.

يظهر تحليل MIT Technology Review، الذي أُعد بالتعاون مع علماء AstraZeneca، كيف يغير الذكاء الاصطناعي عملية اكتشاف الأدوية — من التنبؤ ببنية البروتينات إلى أنظمة المختبرات المستقلة. ووفقاً لتقديرات McKinsey، يمكن للذكاء الاصطناعي التوليدي والأدوات الحاسوبية الأخرى تقليل وقت اكتشاف الأدوية بنسبة تصل إلى 50%، مما يعني توفير عشرات المليارات من الدولارات لصناعة الأدوية، والأهم من ذلك، زيادة كبيرة في فرص بقاء المرضى على قيد الحياة.

ثورة AlphaFold: من التنبؤ بالبنية إلى تصميم البروتينات

كان AlphaFold من DeepMind أحد أكبر الاختراقات للذكاء الاصطناعي في اكتشاف الأدوية — برنامج حل مشكلة التنبؤ بالبنية ثلاثية الأبعاد للبروتينات. اعتُبرت هذه المشكلة لمدة 50 عاماً واحدة من أصعب التحديات في علم الأحياء. لم يعمل AlphaFold على تسريع البحث فحسب، بل أنشأ الأساس الذي يعتمد عليه اليوم تصميم الأدوية القائم على الذكاء الاصطناعي.

بعد AlphaFold، ظهر جيل جديد من النماذج — RFdiffusion وProteinMPNN ونماذج الانتشار الأخرى التي تولد هياكل بروتينية جديدة تماماً. هذا يعني أن العلماء لا يستطيعون فقط تحليل البروتينات الموجودة، بل أيضاً تصميم بروتينات جديدة كلياً موجهة لأمراض محددة.

بالفعل اليوم، استخدم الباحثون هذه النماذج لإنشاء بروتينات ترتبط بألفة عالية بأهداف محددة، وصمموا هياكل بروتينية مستقرة لتوصيل الأدوية، وأنشأوا إنزيمات للاستخدام الصناعي. الفجوة بين التنبؤ الحاسوبي والتحقق التجريبي تتقلص بسرعة، مما يشير إلى أن تصميم الأدوية القائم بالكامل على الذكاء الاصطناعي أصبح في متناول اليد.

دورة Build-Measure-Learn: دمج الذكاء الاصطناعي في سير العمل المختبري

نهج AstraZeneca، كما هو موصوف في مقال MIT Technology Review، يعتمد على دورة build-measure-learn (ابنِ-قس-تعلم). يولد الذكاء الاصطناعي أو يصنف الجزيئات المرشحة بالطرق الحاسوبية، ويتنبأ أي تصميم هو الأكثر وعداً، ثم يركز العلماء الموارد المختبرية فقط على أفضل المرشحين.

"كل ما نقوم به — التصميم، الإنشاء، الاختبار أو التحليل — أصبح الآن معززاً حاسوبياً"، تقول بوجا سابرا، نائب الرئيس الأول للهندسة البيولوجية للبحث والتطوير في AstraZeneca. "أوقات الدورة تقصر بينما تزداد الإنتاجية والابتكار."

يؤدي هذا النهج إلى دورة تغذية مرتدة أكثر إحكاماً، واتجاهات أقل مسدودة، وتكرار أسرع، والقدرة على الوصول إلى أهداف الأمراض التي كانت تعتبر في السابق مستعصية على العلاج.

تصميم الأدوية البيولوجية متعددة الأهداف: إصابة عدة أهداف في وقت واحد

تعمل الأدوية البيولوجية التقليدية عادةً على آلية مرض واحدة. لكن الجيل القادم من الأدوية سيكون قادراً على التأثير في وقت واحد على أهداف متعددة أو توصيل المكونات العلاجية بدقة إلى خلايا محددة. إدارة مثل هذا التعقيد تتجاوز القدرات البشرية — فهي تتطلب تحسيناً متزامناً لآلاف المتغيرات. وهنا يأتي دور الذكاء الاصطناعي.

تساعد نماذج الذكاء الاصطناعي في تحديد أي هدفين أو ثلاثة أهداف يجب أن تكون ذات أولوية، ثم تعمل على تحسين العديد من المعايير — فعالية الجزيء، ثباته، إمكانية تصنيعه وسلامته.

"علاج الأهداف التي لا تُقهر أصبح حقيقة"، تعلن سابرا. "هذه التقنيات ستسمح لنا في النهاية بتطوير أدوية ضد أهداف كانت تعتبر في السابق بعيدة المنال."

ميزة البيانات: أهمية البيانات البيولوجية عالية الجودة

أي نموذج ذكاء اصطناعي يكون جيداً بقدر جودة بيانات تدريبه. في اكتشاف الأدوية، هذا يعني توفر كميات كبيرة من البيانات البيولوجية عالية الجودة. قواعد بيانات AstraZeneca تشمل الهياكل الجزيئية، قياسات الارتباط، ملفات السلامة ونتائج التصنيع.

"البيانات هي قوتنا المميزة"، تشرح سابرا. "لقد بنينا محفظة متنوعة بشكل متعمد عبر مجالات أمراض متعددة. كل هذه البيانات تمكننا من ضبط نماذج الذكاء الاصطناعي المتطورة بمجموعات تدريب أكثر ثراءً وتمثيلاً."

من المهم أن كل تجربة — ناجحة كانت أم فاشلة — تولد إشارة حول ما ينجح وما لا ينجح. هذه البيانات تغذي نماذج الذكاء الاصطناعي، مما يحسنها باستمرار.

المختبر المستقل: الذكاء الاصطناعي + الروبوتات كنظام اكتشاف ذي حلقة مغلقة

تبني AstraZeneca "مختبر المستقبل" في كامبريدج، ماساتشوستس، حيث يشكل الذكاء الاصطناعي والأتمتة الروبوتية دورة مستمرة ومغلقة لاكتشاف الأدوية. "كما تستخدم السيارة ذاتية القيادة أجهزة استشعار ونماذج للتنقل في بيئتها، يستخدم هذا النظام الذكاء الاصطناعي للتنبؤات، والأنظمة الروبوتية لتنفيذ التجارب، والأدوات لتوليد البيانات"، تشرح سابرا.

تغذي البيانات مباشرة إلى النماذج، مما يسرع كل دورة تالية. في النهاية، ستتمكن الأنظمة الآلية عالية الإنتاجية من تقييم آلاف التفاعلات الجزيئية أسبوعياً — وهو نطاق لا يمكن للطرق التقليدية الوصول إليه.

تصميم De Novo: أدوية مولدة بالذكاء الاصطناعي من الصفر

الرؤية النهائية — توليد تسلسلات بروتينية جديدة تماماً بواسطة الذكاء الاصطناعي تتطابق بدقة مع الخصائص العلاجية المطلوبة. يشمل ذلك تصميم الهيكل، التنبؤ بالسلامة، نمذجة السلوك في الجسم وتقييم إمكانية التصنيع.

"المجال يحقق تقدماً كبيراً نحو دواء بيولوجي مولَّد بالكامل بالذكاء الاصطناعي، مصمم من البداية إلى النهاية — من الصفر إلى مرشح سريري"، تقول سابرا. "أعتقد أنه سيأتي. إنها مسألة وقت."

لكن الطريق معقد. واحدة من أصعب المشكلات في تصميم de novo هي التنبؤ بما إذا كان الجزيء المولد حاسوبياً سيكون آمناً في جسم الإنسان. تحل AstraZeneca هذه المشكلة من خلال التجارب السريرية الافتراضية — أنظمة خلوية متقدمة ونماذج أعضاء مصغرة تعمل مع الذكاء الاصطناعي.

الإنسان + الذكاء الاصطناعي: مستقبل التعاون

على الرغم من كل الإنجازات التكنولوجية، يبقى العلماء في قلب العملية. "حتى مع الأنظمة المستقلة، تبقى الإشراف البشري جوهر هذا النهج — لضمان ذكاء اصطناعي أخلاقي وقابل للتفسير لصالح المرضى"، تؤكد سابرا.

المهندسون يصممون أنظمة تعمل كـ"شركاء فكر" وليس كصناديق سوداء. يشمل ذلك دمج البيانات متعددة الوسائط، تحسين الحلقة المغلقة، التقييم الكمي لعدم اليقين وقابلية التفسير على مستوى القرارات السريرية.

اليوم، الذكاء الاصطناعي لم يعد مجرد أداة — بل أصبح جزءاً أساسياً من بنية اكتشاف الأدوية. كما يظهر تحليل MIT Technology Review، فإن التحول الجاري عند تقاطع الذكاء الاصطناعي وعلم الأحياء سيغير وجه الطب كما لم يحدث من قبل — وهذه مجرد البداية.

📖 المصدر