ETH وRoche تعلّمان الذكاء الاصطناعي التنبؤ بموضع بورلة C–H في الجزيء

ابتكار جزيء يتمتع بالنشاط الدوائي المطلوب ليس سوى بداية الطريق. بعد ذلك تأتي أسئلة تبدو أبسط، لكنها أكثر كلفة بكثير في الواقع العملي: هل يمكن تخليق الجزيء، وفي أي موضع بالتحديد سيحدث التفاعل. نشر باحثون من ETH Zurich وRoche في مجلة من عائلة Nature دراسة يتنبأ فيها الذكاء الاصطناعي بمواقع بورلة C–H، أي الموضع الذي ستلتحق به المجموعة الحاوية على البورون. لا يتضمن الجزء المتاح من المادة مقاييس كمية للنموذج، لذلك نعرض أدناه صياغة المسألة ومغزاها العملي.

لماذا تحدد الانتقائية الموضعية مصير المركّب المرشح؟

في مرحلة تحسين المركّبات الرائدة، نادرًا ما يبني الكيميائيون الجزيء من الصفر. وفي الغالب يأخذون هيكلًا جاهزًا ويعدّلونه موضعيًا: يضيفون استبدالًا، أو ينقلون مجموعة وظيفية، ثم يفحصون كيف تغيّرت الفاعلية والذوبانية والثبات الأيضي. وهكذا يحصلون في وقت قصير على سلسلة من النظائر المتقاربة ذات الخصائص المختلفة.

تعمل بورلة C–H في هذا المخطط بوصفها «مقبضًا» مريحًا. فتتحول الرابطة كربون–هيدروجين إلى رابطة كربون–بورون، ثم يسهل بناء مشتق البورون العضوي وتوسيعه: إذ تُصنع منه روابط جديدة من النوع C–C أو C–N أو C–O. والمشكلة أن الجزيء المعقد يحتوي على عشرات الروابط C–H، ويمكن أن يحدث التفاعل عند أي منها. وكثيرًا ما يخمّن الكيميائي المتمرس الموضع الرئيسي، لكن حدسه يخطئ في البنى الحلقية غير المتجانسة الكبيرة التي تتنافس فيها عدة مراكز. عندها يقضي الفريق أسابيع في التجارب وفي فصل خلائط المتماكبات.

ماذا تفعل ETH وRoche

يبدو هذا التعاون منطقيًا: فـETH Zurich قوية في الكيمياء الحاسوبية وتعلّم الآلة للجزيئات، بينما تملك Roche مهام حقيقية في كيمياء الأدوية وبيانات تجريبية. يتلقى النموذج بنية الجزيء ويقدّم تنبؤًا بالمواضع الأكثر احتمالًا للبورلة. ويرى الكيميائي ذلك قبل أن يبدأ التخليق.

تعتمد قيمة هذه الأداة على أمرين: جودة بيانات التدريب، وقدرة النموذج على التعامل مع جزيئات لا تشبه تلك التي تدرّب عليها. وبالنسبة إلى صناعة الأدوية، يبقى الأمر الثاني أكثر أهمية، فالمركّبات المرشحة الحقيقية نادرًا ما تتكرر فيها المركّبات النموذجية المعتادة في الاختبارات.

ما المعروف عن الدراسة

• الجهات: ETH Zurich وRoche.
• النشر: مجلة من عائلة Nature.
• التفاعل: بورلة C–H.
• مهمة النموذج: التنبؤ بموقع التفاعل في جزيء مكتمل البنية.
• مرحلة الاستخدام: تحسين المركّبات الرائدة والتعديل في المراحل المتأخرة (late-stage).
• الدقة وحجم البيانات والمقارنة بالطرائق الأساسية: غير مذكورة في الجزء المتاح.

المغزى العملي

بالنسبة إلى كيمياء الأدوية، يقلّص هذا التنبؤ عدد التجارب «الفارغة». فإذا حدّد النموذج موضعًا واحدًا بثقة، يخطط الفريق للتخليق فورًا. وإذا أظهر موضعين أو ثلاثة متساوية الاحتمال، يعرف الكيميائي مسبقًا أنه سيضطر إلى ضبط الظروف أو استخدام مجموعات حماية.

وللحصول على الأرقام المحددة، ينبغي الرجوع إلى الدراسة الأصلية. وأول ما يجب النظر فيه هو نسبة المواضع المتنبأ بها بشكل صحيح على عينة مؤجلة (held-out)، وسلوك النموذج على بنى خارج توزيع التدريب. فإذا كانت النتائج مستقرة هناك، فستصبح هذه النماذج جزءًا اعتياديًا من مسار العمل إلى جانب الالتحام الجزيئي (docking) والتنبؤ بخصائص ADMET. أما حاليًا، فهي مثال آخر على انتقال الذكاء الاصطناعي من توليد الجزيئات إلى مهمة أكثر واقعية وأعلى قيمة للصناعة: التنبؤ بكيفية تصرّف الجزيئات داخل القارورة.