AlphaFold 3 فتح الأبواب. الآن السباق نحو أول دواء AI معتمد من FDA.

عندما أصدرت DeepMind نموذج AlphaFold 2 في عام 2020، حلت مشكلة عمرها 50 عامًا في البيولوجيا الحاسوبية: توقع البنية ثلاثية الأبعاد للبروتين من تسلسل أحماضه الأمينية. احتفى المجتمع العلمي بها كأداة بحثية من أهم ما أُنشئ على الإطلاق. ثم أصدرت DeepMind نموذج AlphaFold 3 في مايو 2024، وتغير النطاق بالكامل.

AlphaFold 3 لا يقتصر على توقع بنى البروتين فقط. بل يقوم بنمذجة تفاعلات البروتين مع الروابط، ومعقدات البروتين-DNA، ومعقدات البروتين-RNA، والارتباط بين الأجسام المضادة والأهداف — في وقت واحد. بالنسبة لاكتشاف الأدوية، الفرق كبير. الدواء لا يُصمم ليرتبط ببروتين في عزلة؛ بل يحتاج إلى الارتباط بالتشكيل الصحيح للبروتين، في وجود جزيئات منافسة، دون إصابة أهداف جانبية تسبب آثارًا جانبية. AlphaFold 3 يصمم هذا السياق الجزيئي الكامل. دقته في توقع الارتباط بالأجسام المضادة تحسنت بنسبة 50% مقارنة بالطرق السابقة.

من التوقع إلى Pipeline

عدة شركات أدوية نقلت أهدافًا مُصممة بواسطة AlphaFold إلى برامج سريرية نشطة. Moderna وGSK وعدد من الشركات الناشئة في مجال التكنولوجيا الحيوية يديرون حملات اكتشاف تبدأ بتوقعات AlphaFold 3 الهيكلية، وتتحقق من المرشحين حسابيًا باستخدام الهندسة الهندسية للتوقع المربوطة، وتنتقل إلى التصنيع فقط لأفضل الجزيئات مرتبة. هذا يعكس سير العمل التقليدي، الذي يولد آلاف المركبات الكيميائية ويختبرها تجريبيًا قبل أي تصفية حسابية.

الآثار على الوقت والتكلفة كبيرة. اكتشاف الدواء في مراحله المبكرة — تحديد هدف واعد والوصول إلى مرشح سريري — يستغرق عادة خمس إلى سبع سنوات ويكلف مئات الملايين من الدولارات. المتبنون الأوائل لـ Pipelines المدمجة مع AlphaFold يبلغون عن ضغط الجداول الزمنية للمراحل المبكرة بنسبة 30 إلى 50 بالمئة. هذا لا يغير متطلبات التجارب السريرية للمرحلة الثانية والثالثة، لكنه يسرع النقطة التي يدخل فيها المركب التجارب، مما يغير اقتصاديات البرنامج بأكمله.

AlphaProteo من Google يذهب أبعد

في سبتمبر 2024، أصدرت DeepMind نظام AlphaProteo — وهو نظام تكميلي لا يقتصر على توقع كيفية ارتباط البروتينات بالروابط، بل يصمم روابط بروتينية جديدة لأهداف محددة من الصفر. النظام أنتج روابط بروتينية لعلامات السرطان ومستقبلات مرتبطة بالسكري بقوة ارتباط تتجاوز المرشحات الدوائية الحالية في عدة حالات اختبارية.

يمثل AlphaProteo تحولًا نوعيًا: بدلاً من العمل مع الأدوية الجزيئية الصغيرة المشتقة من الكيمياء، يتيح تصميم الأدوية البيولوجية بقيادة هندسة البروتين الحاسوبية. الأدوية البيولوجية تطلبت تاريخيًا عمليات تطورية مخبرية شاقة (جولات متكررة من الطفرات والاختيار) لتحسين قوة الارتباط. يمكن لـ AlphaProteo اقتراح روابط عالية القوة حسابيًا، مما يقلل العمل المخبري الرطب إلى التحقق من الصحة بدلاً من الاكتشاف.

سؤال FDA

لم توافق FDA بعد على دواء كان AI هو وكيل التصميم الأساسي فيه. العديد من الأدوية المطورة بأدوات اكتشاف بمساعدة AI موجودة في تجارب متأخرة. المسار التنظيمي للأدوية المصممة بواسطة AI قيد التطوير النشط؛ أصدرت FDA إرشادات حول استخدام AI في تصنيع الأدوية وتعقد اجتماعات ما قبل التقديم مع الشركات التي ترغب في تضمين وثائق تصميم AI في طلبات الأدوية الجديدة الاستقصائية (IND).

من المتوقع أن يحصل أول دواء معتمد مع مساهمة كبيرة من AI في التصميم الجزيئي خلال سنتين إلى ثلاث سنوات قادمة، بناءً على الجداول الزمنية السريرية الحالية. ستكون ادعاءات "أول دواء AI" محل نزاع — تعريف "مُصمم بواسطة AI" غير واضح حقًا عندما يساعد AI في الاكتشاف لكن البشر يتخذون قرارات التصميم الرئيسية. ما لا لبس فيه هو أنه لا يوجد دواء يصل إلى السوق اليوم كان ممكنًا بدون أدوات AI في Pipeline الاكتشاف.

البنية التحتية للبيانات خلف الاختراق

تأثير AlphaFold على المجال يتجاوز توقعاته. أصدرت DeepMind قاعدة بيانات AlphaFold Protein Structure Database الكاملة في عام 2022، مما وفر هياكل متوقعة لكل بروتين معروف تقريبًا — حوالي 200 مليون بنية. قبل AlphaFold، كان بنك بيانات البروتين (Protein Data Bank) يحتوي على حوالي 170,000 بنية محددة تجريبيًا متراكمة على مدى 50 عامًا.

توفر البيانات هذا مكّن موجة ثانية من تطبيقات AI: توقع موقع الارتباط، فحص المسؤولية الجانبية، توقع خصائص ADMET (الامتصاص، التوزيع، الاستقلاب، الإفراز، السمية). كل من هذه تطلبت تاريخيًا فحوصات تجريبية باهظة الثمن؛ يمكن الآن للفحص الحاسوبي باستخدام هياكل AlphaFold تصفية المرشحين قبل التصنيع. التأثير هو تسارع مضاعف حيث تصبح كل مرحلة من Pipeline أسرع في وقت واحد.

ماذا بعد AlphaFold

الحدود الحالية ليست تحسين توقع البنية — AlphaFold 3 قريب بالفعل من حدود ما يمكن للطرق التجريبية التحقق منه. الحدود هي الديناميكيات: نمذجة كيفية تحرك البروتينات، وانثنائها، وتغير تشكيلها عند ارتباطها بدواء. وظيفة البروتين غالبًا ما تكون مدفوعة بالتغير التشكيلي وليس البنية الثابتة، والنماذج الحالية لا تزال تمثل البروتينات كلقطات ثابتة.

تعمل عدة مجموعات أكاديمية وشركات ناشئة على نماذج ديناميكيات جزيئية مدربة على مجموعات بيانات محاكاة كبيرة، بهدف التقاط السلوك المعتمد على الزمن الذي تفتقده توقعات البنية الثابتة. عندما تنضج تلك الأنظمة، سينتقل تصميم الأدوية من "إيجاد جزيء يناسب هذا الجيب" إلى "إيجاد جزيء يحول هذا البروتين بين حالاته" — وهي مشكلة تصميم مختلفة تمامًا وأكثر اكتمالاً. جعل AlphaFold الإصدار الثابت قابلًا للحل. الإصدار الديناميكي هو تحدي العقد القادم.