الذكاء الاصطناعي

جوجل أنتيغرافيتي تسرّع اكتشاف الأدوية بالذكاء الاصطناعي

أطلقت جوجل ديب مايند مجموعة مهارات كيميائية حاسوبية مدمجة في منصة أنتيغرافيتي، لتحويل اكتشاف الأدوية من عملية تستغرق أياماً إلى ساعات.

رضوان عبدالهاديمحرر وكاتب تقني

نُشر: 3 نوفمبر 2026 · آخر تحديث: 3 نوفمبر 2026 · 4 دقائق قراءة

جوجل أنتيغرافيتي تسرّع اكتشاف الأدوية بالذكاء الاصطناعي — الصورة: Google DeepMind

تحول جذري في سير عمل اكتشاف الأدوية

تواجه صناعة الأدوية تحدياً كبيراً في تجميع البيانات المعقدة من المجلات العلمية والكتالوجات التجارية، وهو عمل يستغرق عادةً أياماً لإتمام دورة واحدة. أعلنت جوجل ديب مايند عن إطلاق مهارات كيميائية حاسوبية جديدة ضمن منصة أنتيغرافيتي، تهدف إلى تسريع هذه العملية بشكل جذري. تعتمد هذه التقنية على وكلاء ذكاء اصطناعي قادرين على البحث في آلاف المركبات، وتحليلها، واقتراح جزيئات جديدة مع مسارات تصنيعها خلال ساعة واحدة فقط.

توحيد البيانات الكيميائية المعقدة

تتميز الكيمياء بسجل عام غني يضم ملايين الهياكل الجزيئية، لكن تنوع طرق تمثيل الجزيئات يمثل عائقاً تقنياً. فقد يظهر الجزيء الواحد باسم IUPAC في ورقة بحثية، أو كهيكل Markush في براءة اختراع، أو كملف بيانات في كتالوج. تتطلب الأنظمة المتقدمة توحيد هذه المصادر ومعالجة الأخطاء الدقيقة التي قد تتسبب في تغيير خصائص المركب كلياً. صممت جوجل هذه المهارات لتحويل واجهة المستخدم إلى منصة عمل علمية تعاونية، تتيح للعلماء التركيز على الفرضيات بدلاً من معالجة البيانات اليدوية.

تكامل الأدوات الحاسوبية وقواعد البيانات

تعتمد البنية التحتية لهذه المهارات على تقسيم العمل بين النموذج اللغوي الكبير والأدوات الكيميائية الحتمية. يتولى النموذج اللغوي تنسيق سير العمل والتنقل في قواعد البيانات والاستدلال العلمي، بينما تنفذ الأدوات الحتمية الحسابات الجزيئية الدقيقة. تستند هذه المنظومة إلى مكتبة RDKit مفتوحة المصدر، التي طورتها مجتمع عالمي على مدى عقدين، بالإضافة إلى وصلات مباشرة مع قواعد البيانات الموثوقة مثل ChEMBL وPubChem. هذا التكامل يضمن دمج أفضل الممارسات المتخصصة مباشرة في سير عمل الوكيل الذكي.

استراتيجية التصلب الجزيئي لزيادة الفعالية

تركز الجولة التقنية على تقنية كلاسيكية في الكيمياء الدوائية تسمى التصلب (Rigidification). غالباً ما تحتوي جزيئات الأدوية على روابط دوارة تسمح للجزيء بالالتفاف في أشكال ثلاثية الأبعاد متعددة، مما يجعله 'مرناً' في المحلول. عندما يجب على الجزيء الارتباط بمستهدفه البيولوجي، يفقد حرية حركته مما يسبب عقوبة إنتروبية تخفض الفعالية. يحل الكيميائيون هذه المشكلة بإضافة روابط جديدة لتقييد الحركة، مما يقفل الجزيء في الشكل النشط المطلوب لزيادة قوته الدوائية بشكل كبير.

دراسة حالة: أدوية سرطان الرئة

اختبرت جوجل النظام على أدوية سرطان الرئة غير الصغيرة، وتحديداً عقار كريتسينيب (Crizotinib) من الجيل الأول، ولورلاتينيب (Lorlatinib) من الجيل الثالث. يحتوي كريتسينيب على خمسة روابط دوارة رئيسية، بينما تم تصميم لورلاتينيب بشكل دائري لتقليل عدد الروابط الدوارة الفعالة إلى صفر، مما أدى إلى زيادة الفعالية. طلب الباحثون من الوكيل البحث في الأدبيات العلمية لاستخراج هذه الأدوية ومشتقاتها، وربطها بالبيانات المبلورة عنها، وتجهيزها للتحليل اللاحق.

تحليل البيانات والنمذجة التنبؤية

خلال دقائق، استرجع الوكيل آلاف المركبات وفلتر الجزيئات غير ذات الصلة مثل المخففات والمذيبات، ووثق مصادرها في تقرير شامل. أظهر التحليل الأولي أن معظم الهياكل الدائرية المتوقعة قادرة على اختراق الدماغ، وهي خاصية مهمة نظراً لانتشار سرطان الرئة في الدماغ. كما أطلق الوكيل عارضاً تفاعلياً يتيح للعلماء تصفح المركبات، وفحص البيانات الوصفية، ورسم علاقات مثل الفعالية مقابل الروابط الدوارة. كشفت الرسوم البيانية أن المركبات الأكثر صلابة تمتلك فعالية أعلى.

تحليل الأزواج الجزيئية المطابقة

بعد تجميع البيانات، أجرى الوكيل تحليلاً للأزواج الجزيئية المطابقة (MMPA)، وهي تقنية تعزل تأثير التغييرات الصغيرة في الجزيء من خلال مقارنة أزواج تختلف فقط في تلك التغييرات. أظهرت النتائج أن الدائرية تقلل من عدد الروابط الدوارة وتزيد من الفعالية بشكل عام. بالإضافة إلى ذلك، بنى الوكيل عدداً كبيراً من النماذج التنبؤية للفعالية باستخدام مجموعات ميزات مختلفة وهياكل نماذج متنوعة، وقام بتحقق منها على مجموعات بيانات محجوزة. يوفر النظام إرشادات للوكيل حول أفضل ممارسات بناء النماذج، مثل استخدام التقسيم الزمني للتدريب على مركبات أقدم للتنبؤ بالأحدث.