OpenProtein.AI تتيح لعلماء الأحياء الوصول إلى أدوات الذكاء الاصطناعي لتصميم البروتينات

تحاول OpenProtein.AI إزالة أحد أبرز الحواجز عند تقاطع الذكاء الاصطناعي وعلم الأحياء. فالنماذج القوية للعمل مع البروتينات موجودة بالفعل، لكنها ما زالت معقدة الاستخدام بالنسبة إلى معظم الباحثين من دون مهارات في تعلّم الآلة، ومن دون الوصول إلى وحدات GPU، ومن دون فريق هندسي مستقل.

أسّس الشركة خريج MIT تريستان بيبلر والأستاذ المشارك السابق في MIT تيم لو. وفكرتهما بسيطة: منح علماء الأحياء منصة ويب بلا برمجة، يمكنهم من خلالها تحميل بياناتهم الخاصة، وتشغيل نماذج هندسة البروتينات، والتنبؤ ببنية الجزيئات ووظيفتها، إضافة إلى تدريب النماذج وضبطها لمهام محددة. وتعمل الشركة اليوم مع مؤسسات دوائية وبيوتقنية بأحجام مختلفة، وتوفّر المنصة مجانًا للعلماء في الأوساط الأكاديمية. وبذلك لا تقدّم الشركة أداة ضيقة واحدة، بل مجموعة عمل متكاملة للأبحاث، يصبح فيها الذكاء الاصطناعي جزءًا من العملية المخبرية، لا تجربة منفصلة يخوضها متخصصو البيانات.

نشأ المشروع من عمل بيبلر الأكاديمي في MIT. فخلال دراسته في برنامج البيولوجيا الحاسوبية وبيولوجيا الأنظمة تحت إشراف البروفيسورة بوني برغر، انشغل بسؤال لا يزال محوريًا للمجال كله: كيف نفهم على نحو أفضل العلاقة بين تسلسل البروتين وبنيته ووظيفته. وقبل ظهور AlphaFold، بحث بيبلر في كيفية استخدام البيانات التطورية للتنبؤ بخصائص البروتينات، وانتهى إلى أحد النماذج التوليدية المبكرة من هذا الصنف، أي إلى نموذج لغوي للبروتينات في جوهره. وكان المنطق ألا يقتصر الهدف على التنبؤ بشكل الجزيء، بل أن ينتقل الباحث بسرعة أكبر من التسلسل إلى فهم ما يستطيع هذا البروتين تحديدًا أن يفعله.

وبعد نيله الدكتوراه عام 2020، انضم بيبلر إلى مختبر تيم لو باحثًا في مرحلة ما بعد الدكتوراه. وهناك ظهر بوضوح حجم الفجوة بين أدوات الذكاء الاصطناعي المتقدمة والاحتياجات الفعلية لعلماء الأحياء. فالنماذج نفسها كانت تزداد قوة، لكن تطبيقها تطلّب إعدادًا تقنيًا مفرطًا: كتابة الشيفرة، وإعداد الحوسبة، وجمع مكتبات التسلسلات، وإجراء التدريب الإضافي، وتفسير النتائج.

وتُبنى OpenProtein.AI رداً على هذه المشكلة تحديدًا. فبدل إجبار الباحث على أن يصبح مهندس ML، تنقل الشركة التعقيد إلى البنية التحتية، وتترك للمستخدم واجهة واضحة وسيناريوهات عمل جاهزة.

وكان النموذج PoET، أي Protein Evolutionary Transformer، التطوير الذاتي الرئيسي لدى OpenProtein. وقد دُرّب على مجموعات من البروتينات ليتمكن من توليد تسلسلات قريبة منها، ورصد القيود التطورية التي تحدد خصائص الجزيئات. وتؤكد الشركة أن PoET قادر على تعميم هذه القيود وقبول معلومات جديدة عن التسلسلات من دون إعادة تدريب كاملة، وهو أمر بالغ الأهمية للمختبرات التي تتوفر لديها باستمرار بيانات تجريبية جديدة. ويستطيع الباحثون استخدام بياناتهم الخاصة لتدريب النماذج، وتحسين تسلسلات البروتينات، ثم تمرير المتغيرات الناتجة عبر أدوات التحليل ومتنبئات البنية وفحوص أخرى in silico، قبل الانتقال إلى العمل في المختبر الرطب. ولمن يحتاج إلى وصول برمجي، توفر المنصة أيضًا API، لكن السيناريو الأساسي يبقى بلا برمجة.

وتواصل الشركة توسيع منصتها. ففي عام 2025 قدمت PoET-2، وهي نسخة جديدة من النموذج اللغوي للبروتينات، تتفوق بحسب بيانات OpenProtein على نماذج أكبر منها بكثير، مع أنها لا تتطلب سوى جزء من الموارد الحاسوبية والبيانات التجريبية. وهذه نقطة مهمة، لا من حيث الجودة فحسب، بل من حيث تكلفة الأبحاث أيضًا: فإذا صارت النماذج الفعالة أخف، يمكن لجهات أخرى غير كبرى شركات الأدوية أن تستخدمها.

وفي الوقت نفسه، بدأ الأعمال الكبرى بالانضمام. فقد بدأت Boehringer Ingelheim استخدام المنصة في أوائل عام 2025، ثم وسّعت تعاونها مع OpenProtein في مهام هندسة البروتينات المتعلقة بعلاج السرطان وأمراض المناعة الذاتية والأمراض الالتهابية.

أما الخطوة التالية للشركة فهي تعليم النماذج العمل بصورة أفضل لا مع الخصائص الساكنة للبروتينات فحسب، بل مع سلوكها الديناميكي أيضًا. والمقصود حالات يجب أن يشارك فيها البروتين الواحد في عدة آليات بيولوجية في آن واحد، أو أن يغيّر وظيفته بعد ارتباطه بجزيء آخر. وإذا أمكن وصف هذه السيناريوهات وتصميمها بالذكاء الاصطناعي، فسيوسّع ذلك مجموعة المقاربات العلاجية ويجعل تصميم الأنظمة البيولوجية أدق بوضوح.

والمغزى الرئيسي من هذه القصة أن السوق يتحرك تدريجيًا من تجارب ذكاء اصطناعي نادرة ومتفرقة في علم الأحياء نحو بنية تحتية أكثر إتاحة للعمل البحثي اليومي. وإذا نجحت OpenProtein.AI فعلًا في الموازنة بين الانفتاح وسهولة الاستخدام وجودة النماذج، فسيخفض ذلك عتبة الدخول أمام المختبرات، ويسرّع اختبار الفرضيات، ويقصّر الطريق من التصميم الحاسوبي للبروتين إلى مرشح حقيقي للعلاج أو للتطبيق الصناعي. وربما لا يقل أهمية عن ذلك أنه لن يترك أقوى أدوات الذكاء الاصطناعي حبيسة عدد قليل من اللاعبين الكبار.