Google Antigravity يقلّص تحليل آلاف الجزيئات من عدة أيام إلى ساعة واحدة

ثمة حقيقة هندسية مزعجة في البحث عن أدوية جديدة: جزء كبير من الوقت لا يذهب إلى لحظات الإلهام، بل إلى جمع البيانات وتنظيفها. يتعين على الكيميائي استخراج البنى الجزيئية من المقالات والصور، ومراجعة الأسماء، واستبعاد المذيبات، وربط المركبات بنتائج التجارب، ثم إعداد كل ذلك للتحليل. خطأ واحد في ذرة أو رابطة، ويصبح النظام بصدد التعامل مع جزيء آخر.

عرضت Google DeepMind كيف يستطيع وكيل Antigravity، المزود بحزمة Cheminformatics Skills، إنجاز دورة كهذه في نحو ساعة. في العرض التوضيحي، جمع بيانات عن آلاف المركبات المرتبطة بأدوية سرطان الرئة ذي الخلايا غير الصغيرة، وقارن بينها، وبنى نماذج للنشاط، واقترح جزيئات جديدة إلى جانب مسارات محتملة لتصنيعها. في السابق، كانت دورة مماثلة تستغرق عدة أيام وتتطلب مشاركة متخصص في الكيمياء الحاسوبية.

الوكيل يدير العملية والأدوات تجري الحسابات

لا تتمثل الفكرة الرئيسية هنا في تعليم نموذج لغوي أن «يخمن الكيمياء». بل أسند إليه دور المنسق: البحث عن المصادر، واختيار الخطوة التالية في التحليل، واستدعاء البرامج اللازمة، وتجميع النتائج في تقرير. أما الحسابات والتحقق من البنى فتتولاهما أدوات متخصصة، وفي مقدمتها مكتبة RDKit المفتوحة المصدر، بينما تأتي البيانات من موارد منتقاة مثل ChEMBL وPubChem.

يفيد هذا الفصل في مجالات تتجاوز الكيمياء بكثير. فالنموذج اللغوي يجيد ربط خطوات عملية طويلة وشرحها للإنسان، لكنه لا يناسب العمليات التي تؤدي فيها علامة واحدة خاطئة إلى تغيير النتيجة. لذلك تظل الحسابات الجزيئية بيد شيفرة حتمية يمكن إعادة تشغيلها والتحقق منها.

اختار الفريق «تدعيم» الجزيء مثالا على ذلك. يمكن للجزيء المرن أن يتخذ أشكالا عديدة، لكنه يحتاج إلى هيئة محددة للارتباط بالهدف. وتحد رابطة كيميائية إضافية من الحركة وقد ترفع النشاط أحيانا. وهذا تحديدا ما يميز دواء lorlatinib الماكروحلقي الأكثر صلابة عن crizotinib الأكثر مرونة.

عثر Antigravity على المركبات ذات الصلة في الأدبيات العلمية، ونظف مجموعة البيانات، وعرضها في واجهة تفاعلية. وأتاح رسم بياني مقارنة النشاط الخلوي بعدد الروابط القابلة للدوران: ففي هذه المجموعة، أظهرت الحلقات الكبيرة الأكثر صلابة نشاطا مرتفعا بوتيرة أكبر. لا يثبت ذلك قاعدة عامة، لكنه يمنح الباحث فرضية واضحة للاختبار التالي.

من البحث عن البيانات إلى مرشحين جدد

بعد إعداد مجموعة البيانات، أجرى الوكيل تحليلا لأزواج من الجزيئات لا يفصل بينها سوى تعديل طفيف. ويساعد هذا النهج على تقييم ما حدث تحديدا بعد إغلاق الجزيء في حلقة، من دون خلط الأثر بعشرة اختلافات أخرى. ثم بنى النظام عدة نماذج للنشاط باستخدام سمات وبنى معمارية مختلفة.

ومن المهم أن النماذج لم تختبر فقط على أمثلة استبعدت عشوائيا. استخدم الفريق تقسيما بحسب الهياكل الكيميائية الأساسية، بحيث تختلف مجموعة الاختبار بصورة أوضح عن مجموعة التدريب. وإذا كانت تواريخ نشر المركبات متاحة، توصي المهارات أيضا بتدريب النموذج على البيانات القديمة واختباره على البيانات الجديدة. ويعكس الخياران المهمة الواقعية على نحو أفضل: التنبؤ بخصائص جزيء غير مألوف، لا التعرف على قريب شديد الشبه بمركب سبق للنموذج رؤيته.

في المرحلة الأخيرة، اقترح الوكيل عدة حلقات كبيرة جديدة، وشرح المنطق الكيميائي، وحدد تفاعلات محتملة، ورسم مخططات لانتقال الإلكترونات. واستخدم لكل خيار النماذج المدربة سابقا لتقدير النشاط المتوقع. ويمكن تصدير النتائج بتنسيقات متوافقة مع برمجيات الكيمياء المستخدمة في القطاع، أو تمريرها إلى حسابات إضافية تشمل الديناميكا الجزيئية وتحليل بنى البروتينات.

أين ينتهي التسريع

لا يزال هذا عرضا توضيحيا من Google نفسها، وليس مقارنة مستقلة مع عمل المختبرات. ولا تتضمن المادة سلسلة منشورة من التجارب الفيزيائية التي تؤكد أن المركبات المقترحة قابلة للتصنيع فعليا وأن أداءها أفضل. كما تحد ندرة البيانات، والاختلافات بين الأساليب المختبرية، والنطاق الضيق للقياسات من دقة أي نموذج.

الخلاصة العملية لمطوري الأنظمة الوكيلة بسيطة: لا تأتي القيمة من حوار مستقل يجريه النموذج مع نفسه، بل من ربطه بأدوات قابلة للتحقق ومصادر ونقاط مراجعة للمتخصص. وبالنسبة إلى فريق منتج، يمثل ذلك نموذجا جيدا لوكيل رأسي متخصص: أخذ عملية مكلفة متعددة الخطوات، وترك الحسابات للبرمجيات المتخصصة، وإسناد التنقل والشرح إلى النموذج. لكن معيار النجاح ينبغي ألا يكون تقريرا جميلا، بل تقليص الوقت اللازم للوصول إلى تجربة قابلة للتحقق. والنتيجة المعلنة هنا هي نحو ساعة بدلا من عدة أيام؛ أما الإجابة النهائية فلا يزال يقدمها المختبر.