Google DeepMind تطلق وكيل ذكاء اصطناعي للبحث عن الببتيدات المضادة للميكروبات بين ملايين البروتينات

في 15 أكتوبر أصدرت Google DeepMind مادة توضيحية تقنية يقطع فيها وكيل ذكاء اصطناعي المسار كاملًا، من ملايين تسلسلات البروتينات إلى قائمة مرشحين لببتيدات مضادة للميكروبات جاهزين للتحقق التجريبي. وأفادت بذلك وسيلة الإعلام Jiqizhixin. هذا عرض للمنهج وليس تقريرًا عن تجارب سريرية. لكن اختيار المهمة يكشف الاتجاه الذي تدفع DeepMind الأنظمة الوكيلية نحوه: من واجهات الدردشة إلى مسار عمل علمي ينتهي بأنابيب اختبار حقيقية.

المشكلة: البيانات موجودة، والتوصيفات غائبة

تتزايد مقاومة البكتيريا للمضادات الحيوية، ويظل البحث عن جزيئات جديدة مضادة للميكروبات بطيئًا ومكلفًا. وفي الوقت نفسه راكمت البشرية قواعد بيانات ضخمة لتسلسلات البروتينات. المشكلة أن وظيفة جزء كبير من هذه البروتينات مجهولة. وقد تكون بينها جزيئات ذات نشاط مضاد للميكروبات، لكن لا يمكن العثور عليها عبر التوصيفات الحالية. فالبحث التقليدي بالتماثل يعتمد على التشابه مع بروتينات معروفة، وقد لا يشبه صنف جديد من الببتيدات أي شيء مألوف.

وقد اختارت DeepMind هذا المخزون «المظلم» ميدانًا للوكيل: المطلوب غربلة ملايين التسلسلات وإبقاء عدد قليل منها يستحق التصنيع والاختبار.

ما المعروف عن المشروع؟

بحسب الجزء المتاح من المنشور، تبدو الصورة كما يلي:

• المدخلات: ملايين تسلسلات البروتينات، بما فيها ما هو غامض الوظيفة.
• المنفِّذ: وكيل ذكاء اصطناعي يجري البحث والانتقاء كعملية متعددة الخطوات.
• المخرجات: مرشحون تجريبيون لببتيدات مضادة للميكروبات.
• الصيغة: مادة توضيحية تقنية بتاريخ 15 أكتوبر، وليست ورقة بحثية محكَّمة.
• لم يُكشف عنه في النص المتاح: بنية الوكيل، والنماذج المستخدمة، وحجم القائمة النهائية، ونسبة المرشحين الذين أُكِّدت فعاليتهم في المختبر.

النقطة الأخيرة هي الأهم. فمن دون أرقام عن التحقق المخبري لا يمكن تقييم القيمة العملية للمنهج. فمسارات الحوسبة تُخرج عادةً قوائم جذابة بسهولة، وتبدأ الصعوبة حين تُصنَّع الببتيدات وتُختبر على مزارع حية.

أين تتعثر مثل هذه المشاريع؟

للببتيدات المضادة للميكروبات مزالق معروفة. فقد يقتل الجزيء البكتيريا في أنبوب الاختبار ويُتلف في الوقت نفسه خلايا الإنسان. وقد يتحلل بسرعة داخل الجسم، أو يضعف أداؤه في ظروف قريبة من الواقع. لذلك فإن سلسلة «التنبؤ ثم التصنيع ثم التحقق» أغلى مما تبدو عليه في المخطط، وكل مرحلة فيها تستبعد جزءًا كبيرًا من المرشحين.

والنهج الوكيلي مفيد هنا من حيث المبدأ، لا بسبب نموذج واحد ناجح، بل بسبب أتمتة العمل الروتيني. اختيار الخصائص، والتصفية، وإعادة الاستعلام من الأدوات، والترتيب: كل ما كان يتطلب جهدًا يدويًا من خبير المعلوماتية الحيوية يمكن إسناده إلى نظام يقرر بنفسه الخطوة التالية. أما مدى جودة تنفيذ ذلك لدى DeepMind فلن يتضح إلا بعد صدور التفاصيل.

ما الذي ينبغي متابعته لاحقًا؟

يفيد فرق التقنية الحيوية ومهندسي تعلم الآلة أن يضعوا في أذهانهم قائمة تحقق قصيرة. وعند صدور البيانات الكاملة ينبغي البحث أولًا عن:

• نسبة المرشحين الذين ثبت نشاطهم ضد السلالات المقاومة؛
• بيانات السمّية لخلايا الإنسان، بما فيها انحلال الدم؛
• المقارنة بطرق البحث المرجعية، وليس فقط بالاختيار العشوائي؛
• قابلية إعادة الإنتاج: هل الشيفرة وقائمة التسلسلات والبروتوكولات مفتوحة؟

إذا استُوفيت هذه النقاط، فستحصل DeepMind على مثال نادر يُقاس فيه وكيل ذكاء اصطناعي في العلوم بعدد الجزيئات العاملة لا بالعرض التوضيحي. وإن لم تُستوفَ، فسيبقى أمامنا عرض مرتب للمنهج. أما الآن فالأدق اعتبار المنشور إعلانًا عن منهج، ستحدد نتائجه المختبرات.