كيف يحدد الذكاء الاصطناعي علاجات الأجسام المضادة الأفضل للمريض؟

من إرسال السرطان إلى مرحلة الهدوء إلى تخفيف أعراض كوفيد-19، يمكن أن توفر العلاج المناعي علاجات ثورية للأمراض.

تستخدم العلاجات المناعية الأجسام المضادة - البروتينات التي ترتبط بعلامات الخلايا تسمى المستضدات - لاستهداف المستضد والقضاء عليه.

لكن على الرغم من مدى فعالية العلاج المناعي، فإنه لا يُستخدم على نطاق واسع لأن العثور على الأجسام المضادة المناسبة لتطوير العلاجات يعد عملًا صعبًا ويستغرق وقتًا طويلا، وفق ما نشره موقع ميديكال إكسبريس.

ومع ذلك، يعمل باحثو معهد جورجيا للتكنولوجيا على تسهيل هذه العملية بعض الشيء.

فقد استخدمت أداتهم الجديدة، AF2Complex، التعلم العميق للتنبؤ بالأجسام المضادة التي يمكن أن ترتبط ببروتين سبايك سيئ السمعة لفيروس كورونا.

وقد أنشأ الباحثون بيانات إدخال لنموذج التعلم العميق باستخدام تسلسلات من المواد الرابطة للمستضدات المعروفة.

لقد تنبأت هذه الطريقة بشكل صحيح بنسبة 90% من أفضل الأجسام المضادة في اختبار واحد باستخدام 1000 جسم مضاد، وقد نُشرت في وقائع الأكاديمية الوطنية للعلوم.

إن علاج كوفيد-19 هو مجرد بداية لإمكاناته.

قال مو جاو، الباحث العلمي الكبير في كلية العلوم البيولوجية: "يعمل AF2Complex على تحسين التطوير العلاجي، إذا كان لديك نموذج عالي الجودة، فيمكنك العبث بتسلسل البروتين وتحسين الجسم المضاد، مما يجعله أكثر ملاءمة لتطوير الأدوية".

تطوير نموذج التعلم

لم يكن الباحثون أول من استخدم التعلم العميق للتنبؤ بهياكل البروتينات، لكنهم عملوا على توسيع قدرات النموذج بشكل كبير.

في عام 2020، حقق مشروع AlphaFold الحائز على جائزة نوبل DeepMind، وهو أحد مشاريع Alphabet، اختراقات باستخدام التعلم العميق للتنبؤ بهياكل البروتينات الفردية.

دفع باحثو معهد جورجيا للتكنولوجيا النموذج للتنبؤ بهياكل المجمعات البروتينية.

في عام 2021، ابتكر الباحثون أول نسخة من AF2Complex، والتي يمكنها التنبؤ بالتفاعلات بين بروتينات متعددة ومعقدة مثل الإشريكية القولونية، وكان تطبيقها على البروتينات البشرية هو الخطوة التالية ــ ولكن الأمر كان أصعب كثيرا.

قال جيفري سكولنيك، باحث بارز في تحالف جورجيا للأبحاث: "في العادة، عندما تتنبأ بالتفاعلات بين البروتينات، تكون مساحة سطح البروتين كبيرة جدًا، لذلك قد ترتكب بعض الأخطاء مع نموذج غير كامل".

وأضاف: "لكن التفاعل بين الأجسام المضادة والبروتينات يشغل مساحة واجهة أصغر بكثير".

كان تحديد كيفية التنبؤ بتفاعلات الأجسام المضادة والمستضدات هو التحدي الأكبر.

ركز الباحثون على فيروس كوفيد-19 لأنه يحتوي على العديد من تسلسلات ربط المستضدات المعقدة والنظائر المتماثلة، وهي المنطقة الجزيئية المحددة التي تتفاعل مع الخلايا البائية والتائية لتحفيز الاستجابة المناعية.

كما كانت قاعدة بيانات كوفيد-19 متاحة على نطاق واسع، على عكس العديد من العلاجات المناعية التي لا يمكن الوصول إليها إلا من قبل شركات الأدوية.

في الواقع، قدمت قاعدة بيانات كوفيد-19 بيئة تدريب غنية لخوارزمية AF2.

استخدم سكولنيك وجاو تسلسلات كوفيد-19 من الأجسام المضادة المعروفة لتحديد العلاقات والأنماط التطورية، مما أدى إلى تحسين دقة التنبؤات، ومن هناك، طبقوا نموذج التعلم العميق AF2، والذي تم تدريبه بالفعل على كمية هائلة من بيانات بنية البروتين.

معالجة الفيروس

يعتقد الباحثون أن تقنيات التعلم العميق قد تُحدث ثورة في كيفية علاج الأمراض المستقبلية.

فبفضل الموارد والوقت اللامحدودين، يمكن للباحثين تجربة كل تركيبة من الأجسام المضادة والمستضدات يدويًا، ولكن لا يوجد عالم لديه القدرة على ذلك. ويمكن لـ AF2Complex تضييق نطاق التركيز والوصول إلى العلاج في وقت أقرب.

قال سكولنيك: "تخيل ظهور فيروس من الجحيم. يمكنك تصميم سلسلة من الأجسام المضادة باستخدام هذه الخوارزمية، وبالتالي تقليص الوقت اللازم لتطوير اللقاح".

وأضاف: "لا توجد بدائل للتجربة الحقيقية، ولكن AF2Complex يمكن أن تحدد أولويات التجارب التي يجب عليك القيام بها، وبالتالي يكون لديك المزيد من الفرص لتحقيق الهدف".