OpenProtein.AI توفر للعلماء البيولوجيين إمكانية الوصول إلى أدوات الذكاء الاصطناعي لتصميم البروتينات

تحاول OpenProtein.AI إزالة أحد الحواجز الرئيسية عند تقاطع الذكاء الاصطناعي والبيولوجيا: نماذج قوية للعمل مع البروتينات موجودة بالفعل، لكن بالنسبة لمعظم الباحثين، تبقى معقدة جداً للاستخدام بدون مهارات تعلم الآلة والوصول إلى GPU وفريق هندسة منفصل. تأسست الشركة الناشئة من قبل تريستان بيبلر، خريج معهد ماساتشوستس للتكنولوجيا، وتيم لو، أستاذ معهد ماساتشوستس للتكنولوجيا السابق.

فكرتهم بسيطة: إعطاء علماء الأحياء منصة ويب بدون كود يمكن من خلالها تحميل بيانات خاصة بهم، وتشغيل نماذج لهندسة البروتينات، والتنبؤ بالبنية والوظيفة للجزيئات، وتدريب وضبط النماذج للمهام المحددة. تعمل الشركة بالفعل مع منظمات دوائية وتقنية حيوية بأحجام مختلفة، وتوفر المنصة مجاناً لعلماء من البيئات الأكاديمية. بشكل أساسي، لا يتعلق الأمر بأداة واحدة ضيقة، بل بمجموعة عمل شاملة للبحث، حيث يصبح الذكاء الاصطناعي جزءاً من عملية المختبر بدلاً من كونه تجربة منفصلة لمتخصصي البيانات.

نشأ تاريخ المشروع من العمل الأكاديمي لبيبلر في معهد ماساتشوستس للتكنولوجيا. أثناء دراسته في برنامج البيولوجيا الحسابية والأنظمة تحت إشراف الأستاذة بوني بيرجر، كان يعمل على سؤال يبقى محورياً للمجال بأكمله: كيفية فهم أفضل للعلاقة بين تسلسل البروتين وبنيته ووظيفته. حتى قبل ظهور AlphaFold، كان بيبلر يبحث عن كيفية استخدام البيانات التطورية للتنبؤ بخصائص البروتينات، وانتهى به الحال إلى أحد النماذج التوليدية الأولى من هذا النوع — في الواقع نموذج لغة البروتين.

كانت المنطق ليس فقط التنبؤ بشكل الجزيء، بل التقدم بسرعة أكبر من التسلسل نحو فهم ما يمكن لهذا البروتين فعله. لاحقاً، بعد حصوله على درجة الدكتوراه في عام 2020، انضم بيبلر إلى مختبر تيم لو كباحث ما بعد الدكتوراه. أصبح من الواضح جداً هناك مدى الفجوة بين أدوات الذكاء الاصطناعي المتقدمة والاحتياجات الحقيقية لعلماء الأحياء.

كانت النماذج نفسها تصبح أقوى، لكن تطبيقها يتطلب الكثير من التحضير التقني: كان يجب كتابة الكود وتكوين الحسابات وتجميع مكتبات التسلسل والقيام بالضبط الدقيق وتفسير النتائج. تم بناء OpenProtein.AI كرد على هذه المشكلة تماماً.

بدلاً من إجبار الباحثين على أن يصبحوا مهندسي تعلم آلة، تخفي الشركة التعقيد في البنية التحتية وتترك للمستخدم واجهة مفهومة وسيناريوهات عمل جاهزة.

التطوير الملكية الرئيسي لـ OpenProtein هو نموذج PoET — Protein Evolutionary Transformer. تم تدريبه على مجموعات من البروتينات بحيث يمكن للنموذج إنشاء تسلسلات ذات صلة والتقاط القيود التطورية التي تحدد الخصائص الجزيئية. تؤكد الشركة أن PoET يمكنه تعميم مثل هذه القيود وقبول معلومات جديدة عن التسلسلات بدون إعادة تدريب كاملة، وهذا مهم بشكل خاص للمختبرات التي تتلقى باستمرار بيانات تجريبية جديدة. يمكن للباحثين استخدام بياناتهم الخاصة لتدريب النماذج وتحسين تسلسلات البروتينات، ثم تشغيل المتغيرات الناتجة من خلال أدوات التحليل والتنبؤات البنيوية وفحوصات محاكاة الكمبيوتر الأخرى قبل الانتقال للعمل في المختبر الرطب. بالنسبة لمن يحتاجون إلى وصول برمجي، تمتلك المنصة واجهة برمجية (API)، لكن السيناريو الأساسي يبقى بدون كود.

تستمر الشركة في توسيع المنصة. في عام 2025، قدمت PoET-2 — إصدار جديد من نموذج لغة البروتين الذي، وفقاً لـ OpenProtein، يتفوق بشكل كبير على نماذج أكبر بكثير مع أنه يتطلب فقط جزءاً من موارد الحوسبة والبيانات التجريبية. هذه نقطة مهمة ليس فقط من حيث الجودة، بل أيضاً من حيث تكاليف البحث: إذا أصبحت النماذج الفعالة أخف وزناً، يمكن استخدامها ليس فقط من قبل أكبر شركات الأدوية. في الوقت نفسه، الأعمال الكبرى بدأت تشارك بالفعل. بدأت Boehringer Ingelheim استخدام المنصة في أوائل عام 2025، ثم وسعت التعاون مع OpenProtein للمهام المتعلقة بهندسة البروتينات في علاج السرطان والأمراض المناعية الذاتية والالتهابية.

الخطوة التالية للشركة هي تعليم النماذج العمل بشكل أفضل ليس فقط مع الخصائص الثابتة للبروتينات، بل أيضاً مع سلوكها الديناميكي. يتعلق هذا بالحالات التي يجب على البروتين فيها المشاركة في آليات بيولوجية متعددة في نفس الوقت أو تغيير الوظيفة بعد الارتباط بجزيء آخر. إذا أمكن وصف ومصممة مثل هذه السيناريوهات بمساعدة الذكاء الاصطناعي، فسيؤدي هذا إلى توسيع نطاق الأساليب العلاجية وجعل تصميم الأنظمة البيولوجية أكثر دقة ملحوظة.

النقطة الرئيسية لهذه القصة هي أن السوق يتحرك تدريجياً من تجارب ذكاء اصطناعي نادرة وموحدة في علم الأحياء نحو بنية تحتية أكثر سهولة في الوصول للعمل البحثي اليومي. إذا تمكنت OpenProtein.AI فعلاً من الحفاظ على توازن بين الانفتاح والراحة وجودة النموذج، فسيقلل هذا من حاجز الدخول للمختبرات ويسرع اختبار الفرضيات ويختصر الطريق من تصميم البروتين بالكمبيوتر إلى مرشح حقيقي للعلاج أو التطبيق الصناعي. وربما بنفس الأهمية، سيمنع أقوى أدوات الذكاء الاصطناعي من أن تبقى محصورة داخل عدد قليل من اللاعبين الكبار فقط.