AWS تطرح نماذج BioFM متعددة الوسائط لتطوير الأدوية والطب السريري

نشرت Amazon Web Services تحليلاً مفصلاً لتطبيق النماذج التأسيسية البيولوجية متعددة الوسائط (BioFMs) في صناعة الأدوية والطب السريري. ويتعلق الأمر بأنظمة من الجيل الجديد تعالج في آنٍ واحد البيانات الجينومية وبنى البروتينات والصور الطبية والسجلات المرضية، فتجد بينها روابط لا تستطيع الأدوات التقليدية المتخصصة الضيقة رصدها.

ما هي نماذج BioFM متعددة الوسائط

النماذج التأسيسية البيولوجية هي شبكات عصبية مدرَّبة مسبقاً على مجموعات ضخمة من البيانات الطبية الحيوية، وهي مماثلة من حيث المفهوم لنماذج GPT أو BERT في عالم معالجة اللغة. والكلمة المفصلية هنا هي «متعددة الوسائط»: فهذه النماذج لا تعمل على نوع واحد من البيانات، بل على عدة أنواع في وقت واحد.

قبل ظهور BioFMs، كانت كل مهمة تتطلب أداة منفصلة: تحليل التسلسلات الجينومية، والتنبؤ بالبنى ثلاثية الأبعاد للبروتينات، وتصنيف الصور النسيجية، ومعالجة السجلات السريرية، وكلها كانت أنظمة مختلفة. أما نماذج BioFMs متعددة الوسائط فتجمع كل هذه الوسائط في بنية واحدة:

• التسلسلات الجينومية والبروتيومية (DNA وRNA وسلاسل الأحماض الأمينية)
• البنى ثلاثية الأبعاد للبروتينات
• الصور الطبية: الرنين المغناطيسي والتصوير المقطعي والمقاطع النسيجية
• السجلات الطبية الإلكترونية والبيانات المخبرية
• الرسوم البيانية الجزيئية والبنى الكيميائية للمركبات

تتيح هذه المنظومة المتكاملة للنموذج أن يرى الصلة بين طفرة في الجينوم وبنية بروتين متغيرة وأعراض سريرية، وهو عمل كان يتطلب في السابق تعاون علماء الوراثة والكيمياء الحيوية والأطباء السريريين على مدى أشهر.

كيف تغيّر BioFM عملية اكتشاف الأدوية

في صناعة الأدوية، تسرّع نماذج BioFMs أكثر مراحل تطوير الأدوية كثافةً في الجهد. ففي مرحلة الفرز، يقيّم النموذج في آنٍ واحد ألفة الجزيء للهدف العلاجي وملفه السمّي وقابليته للذوبان وإمكانية تصنيعه، بدلاً من تمريره تباعاً عبر نماذج QSAR وأنظمة الالتحام الجزيئي (docking) المنفصلة. وهذا يضيّق مجال البحث بشكل كبير قبل الشروع في التجارب المخبرية المكلفة.

وفي التجارب السريرية، تساعد نماذج BioFMs على تصنيف المرضى بدقة أكبر: فتحدد المجموعات الفرعية ذات الاحتمال المرتفع للاستجابة لعلاج معين، أو تتنبأ بالتفاعلات الضارة قبل إدراج المشارك في الدراسة. ويقلل ذلك تكلفة التجارب ومدتها، وهو أمر بالغ الأهمية في قطاع يكلّف فيه الدواء الواحد في المتوسط 2,6 مليار دولار ويستغرق من 10 إلى 15 عاماً من الجزيء إلى رفوف الصيدليات.

«تفتح النماذج التأسيسية متعددة الوسائط عصراً جديداً في الطب الحيوي: يستطيع الذكاء الاصطناعي أن يرى المريض بالشمولية نفسها التي يتمتع بها طبيب سريري ذو خبرة طويلة»، من منشور على مدونة AWS

Machine Learning Blog.

دور AWS في نشر BioFM

توفر Amazon حزمة متكاملة تغطي دورة الحياة الكاملة لنماذج BioFMs. فـ SageMaker يتولى تدريب النماذج وضبطها الدقيق وفق مهام شركات الأدوية والمؤسسات البحثية، بدءاً من توليد الجزيئات المرشحة وحتى تحليل المؤشرات الحيوية. ويتيح Amazon Bedrock الوصول إلى نماذج جاهزة ذات تخصص طبي دون الحاجة إلى بناء بنية ML خاصة من الصفر. أما HealthLake فيؤمّن تخزيناً منظماً للبيانات بصيغة FHIR، وهي المعيار الرئيسي لتبادل المعلومات الطبية في الولايات المتحدة وأوروبا.

وتولي AWS اهتماماً خاصاً للامتثال التنظيمي: HIPAA وGDPR وتوجيهات FDA بشأن أنظمة الذكاء الاصطناعي في الأجهزة الطبية. وبالنسبة لعمالقة صناعة الأدوية والشبكات السريرية التي تعمل تحت رقابة تنظيمية صارمة، تصبح طبقة الامتثال الجاهزة حجة وازنة لصالح الاستراتيجية السحابية بدلاً من إنشاء بنية تحتية خاصة.

ماذا يعني ذلك

تنتقل نماذج BioFM متعددة الوسائط من المختبرات الأكاديمية إلى البنية التجارية. وتراهن AWS رهاناً استراتيجياً على أن الجيل القادم من منصات اكتشاف الأدوية (drug discovery) سيُبنى في السحابة، وأن الأساس لذلك يوضع منذ الآن. وبالنسبة لصناعة الأدوية، يعني ذلك اختصاراً محتملاً لسنوات في الطريق من الفرضية إلى العلاج.