Google DeepMind وBiohub تشرحان لماذا لم يُنهِ AlphaFold مسألة طيّ البروتينات

في عام 2020 حقّق AlphaFold 2 في مسابقة CASP14 متوسط GDT يقارب 92 من 100، وفي عام 2024 نال ديميس هاسابيس وجون جامبر نصف جائزة نوبل في الكيمياء عن هذا الإنجاز. واليوم يتحدث المسؤول عن الاتجاهات العلمية في Google DeepMind، Pushmeet Kohli، مع Sal Candido من Biohub في بودكاست Latent Space عن مسألة مختلفة: مشكلة طيّ البروتينات لم تُحَل إلا جزئيًا. صدرت الحلقة في 10 أكتوبر 2026.

يعرض إعلان الحلقة محورين. الأول هو «الدرس المرّ» لريتشارد ساتون، ومفاده أن الأساليب العامة المدعومة بحوسبة ضخمة تتفوق في النهاية على الهندسة اليدوية للمعرفة. أما الثاني فيتناول الألغاز التي لا تزال دون حل في مجال الطيّ (folding). ولا تتوفر في المصدر نسخة نصية كاملة للحلقة، لذا نعتمد فيما يلي على ما ورد في الإعلان وعلى السياق المعروف علنًا.

ما الذي حسمه AlphaFold فعلًا

تعلّم AlphaFold 2 أن يتنبأ بالبنية ثلاثية الأبعاد للبروتين انطلاقًا من تسلسل الأحماض الأمينية، بدقة تقارب الدقة التجريبية. وبالنسبة إلى كثير من الأهداف، اختصر ذلك الطريق من التسلسل إلى النموذج من أشهر من العمل في علم البلورات إلى دقائق. وبالتعاون مع EMBL-EBI، أتاحت DeepMind قاعدة AlphaFold DB التي تضم أكثر من 200 مليون بنية متوقَّعة، أي ما يكاد يغطي عالم البروتينات المعروف كله.

وفي مايو 2024 وسّع AlphaFold 3 نطاق التغطية ليشمل البروتينات وDNA وRNA والجزيئات الصغيرة الليجندية (ligands) في نموذج واحد. وبخصوص الليجندات، أعلن المطوّرون تحسّنًا لا يقل عن 50% مقارنة بالطرق القائمة للالتحام الجزيئي (docking).

لماذا يبدو وصف «تم الحل» مبالغًا فيه

تصف البنية المخزّنة في القاعدة توافقًا (conformation) واحدًا، وهو عادةً الأكثر احتمالًا. أما البروتين الحقيقي فيعيش في حركة: يغيّر شكله، ويتفاعل مع شركائه، ويبقى جزء منه غير منتظم البنية. وتبدو القائمة التقليدية للثغرات على النحو الآتي:

• الديناميكية ومجموعات التوافقات بدلًا من لقطة واحدة؛
• مسار الطيّ: كيف تصل السلسلة إلى شكلها، لا مجرد معرفة الشكل الذي ستتخذه؛
• تأثير الطفرات النقطية في الثبات والوظيفة؛
• المناطق غير المنتظمة التي ليس لها بنية موحّدة؛
• المعقّدات الكبيرة والتفاعل داخل البيئة الخلوية.

يظل التنبؤ بنقطة النهاية وفهم العملية مهمتين مختلفتين. فقد يخمّن النموذج النتيجة ببراعة ولا يقول شيئًا عن الآلية. وهذه فجوة جوهرية في علم الأحياء والطب، لأن الدواء يعمل ضمن ديناميكية الخلية الحية، لا على صورة ثابتة.

التوسّع وحدوده في علم الأحياء

ثبتت صحة درس ساتون في النماذج اللغوية: كلما زادت البيانات والحوسبة، أصبحت الأنظمة أقدر. أما في علم الأحياء فلهذه الوصفة قيد خاص بها. فعدد البنى التجريبية في Protein Data Bank نحو 200 ألف، بينما النصوص المتاحة على الإنترنت أكثر منها بعدة رتب من الحجم. والبيانات عن الديناميكية والوظيفة أشحّ، وكل نقطة منها تكلّف جهدًا مخبريًا. لذلك يقود الحديث عن فهم علم الأحياء حتمًا إلى مزيج من نماذج ضخمة وبيانات تجريبية جديدة تُجمع خصيصًا لمعالجة نقاط ضعف النماذج.

وسياق المشاركين في الحوار يتحدث عن نفسه. فـDeepMind تمثّل المسار من AlphaFold إلى أنظمة الذكاء الاصطناعي الموجّهة للعلوم. أما Biohub فمنظمة بحثية تُربط فيها النماذج بالتجارب البيولوجية.

أبرز الحقائق

• AlphaFold 2 وCASP14 عام 2020: متوسط GDT يقارب 92.
• AlphaFold DB: أكثر من 200 مليون بنية متوقَّعة.
• AlphaFold 3 عام 2024: البروتينات والأحماض النووية والليجندات في نموذج واحد.
• جائزة نوبل في الكيمياء 2024: هاسابيس وجامبر (النصف)، وديفيد بيكر.

كيف يمكن الاستفادة من ذلك

ينبغي لفريق في التقنية الحيوية أو الصناعات الدوائية أن يتعامل مع تنبؤ AlphaFold بوصفه فرضية لا نتيجة. فهو يسرّع اختيار الأهداف وتخطيط التجارب، لكن تقييم الحركية والارتباط وأثر الطفرات يتطلب ديناميكا جزيئية وتحققًا مخبريًا. وللفرق التي تبني نماذجها الخاصة، من المفيد أن تحدد مسبقًا أي بيانات عن الديناميكية والوظيفة تستطيع الحصول عليها، لأن حجم المعاملات وحده لا يكفي هنا.