MarkTechPost يعرض طريقة بناء «عالم مساعد» بالذكاء الاصطناعي لنمذجة QSAR بحثًا عن مثبطات EGFR

نشر MarkTechPost في 6 يوليو 2026 درسًا تطبيقيًا عمليًا حول بناء «عالم مساعد» ذاتي بالذكاء الاصطناعي للبحث عن مثبطات للطفرة EGFR C797S، وهي أحد أسباب مقاومة الأدوية في سرطان الرئة.

كيف يجمع النظام البيانات

يبدأ خط المعالجة (pipeline) بتحديد البروتين المستهدف: يستخرج المؤلفون من قاعدتي ChEMBL وUniProt معلومات بنيوية ووظيفية عن EGFR وعن شكله C797S المقاوم للعلاج. ومن ChEMBL تُستخرج سجلات النشاط التجريبي IC50، أي التركيز الذي يثبّط عنده المركب نصف نشاط الهدف. وتُحوَّل هذه القيم إلى pIC50، وهو المقياس اللوغاريتمي القياسي لقوة الارتباط، ويناسب تدريب نماذج تعلّم الآلة.

• مصادر البيانات: قاعدتا ChEMBL (النشاط الكيميائي) وUniProt (البروتين المستهدف)
• الطفرة المستهدفة: EGFR C797S، أحد أسباب مقاومة الأورام للأدوية الموجّهة
• مؤشر النشاط: IC50 محوَّلًا إلى pIC50
• ترميز بنية الجزيئات: بصمات مورغان عبر مكتبة RDKit
• النموذج: Random Forest مع تقسيم العينة بطريقة scaffold-split

كيف يُدرَّب نموذج QSAR

بعد جمع البيانات وتنظيفها، توحّد RDKit البنى الكيميائية وتحسب بصمات مورغان، وهي متجهات رقمية ترمّز محيط كل ذرة في الجزيء. وعلى هذه الخصائص يُدرَّب نموذج Random Forest ليتعلّم التنبؤ بقيمة pIC50 لمركبات جديدة لم يصادفها من قبل.

التفصيل المنهجي الأهم هو scaffold-split. فبدلًا من التقسيم العشوائي للبيانات إلى عينتي تدريب واختبار، يجمع المؤلفون الجزيئات حسب هيكلها الكيميائي ويحرصون على ألا تقع مركبات ذات الهيكل نفسه في العينتين معًا. ويختبر هذا الأسلوب بإنصاف أكبر قدرة النموذج على تعميم ما تعلّمه على فئات جديدة من حيث البنية، لا على مجرد حفظ متغيرات جزيئات مألوفة.

لماذا SHAP وتوليد المرشحين

لمعرفة أي أجزاء الجزيء ترفع النشاط المتوقع، يطبّق المؤلفون SHAP، وهي طريقة لتفسير نماذج تعلّم الآلة تبيّن مساهمة كل خاصية في التنبؤ النهائي. وبذلك يتحول Random Forest من «صندوق أسود» إلى أداة ترشد الكيميائيين إلى العناصر البنيوية التي يستحسن الإبقاء عليها أو تعزيزها في المرشحين الجدد.

بعد ذلك تُدرج في خط المعالجة خوارزمية BRICS، التي تقسّم الجزيئات النشطة المعروفة إلى شظايا عند نقاط كسر الروابط المعتادة في التخليق الكيميائي. وبإعادة تركيب هذه الشظايا في تركيبات جديدة، يولّد النظام مكتبة من البنى المرشحة، ثم يرتّبها بواسطة نموذج QSAR المدرَّب بحسب قوة الارتباط المتوقعة مع EGFR C797S، ويختار الخيارات الأكثر وعدًا لمواصلة التحقق منها.

ماذا يعني ذلك

يُظهر الدرس كيف تتحول مجموعة من قواعد البيانات المفتوحة وRDKit وتعلّم الآلة الكلاسيكي والذكاء الاصطناعي القابل للتفسير إلى أداة عملية في المراحل المبكرة من تطوير الأدوية، من دون منصات مملوكة، ومع منطق شفاف لكل تنبؤ يستطيع الكيميائي التحقق منه.

الأسئلة الشائعة

ما المقصود بـ scaffold-split عند تدريب نموذج QSAR؟

هو طريقة لتقسيم البيانات إلى عينتي تدريب واختبار بحسب الهيكل الكيميائي للجزيئات، لا بشكل عشوائي. وبهذا يُختبر ما إذا كان النموذج قادرًا على التنبؤ بنشاط بنى جديدة فعلًا، لا مجرد التعرّف على بنى تشبه ما رآه من قبل.

لماذا تلزم شظايا BRICS في خط المعالجة؟

تقسّم BRICS الجزيئات النشطة المعروفة إلى شظايا عند نقاط كسر الروابط المعتادة في التخليق، ثم تتيح إعادة تركيب هذه الشظايا في بنى مرشحة جديدة يرتّبها النموذج بحسب قوة الارتباط المتوقعة مع EGFR C797S.