AlphaFold 3 توقع ذلك. الآن يستخدمه علماء الأحياء للعثور على الأدوية.

عندما نشرت DeepMind AlphaFold 2 في عام 2020، حلت تحديًا كبيرًا عمره 50 عامًا في علم الأحياء: التنبؤ بكيفية طي سلسلة من الأحماض الأمينية إلى بنية بروتينية ثلاثية الأبعاد. وصفه المجتمع العلمي بأنه لحظة فارقة. برامج بحثية كاملة كانت تتطلب في السابق سنوات من العمل باستخدام علم البلورات بالأشعة السينية أو المجهر الإلكتروني بالتبريد يمكن الآن إجراؤها حسابيًا في غضون ساعات. بحلول عام 2022، احتوت قاعدة بيانات بنية البروتين AlphaFold على هياكل متوقعة لجميع البروتينات تقريبًا في البروتيوم البشري ومئات الملايين غيرها عبر الحياة على الأرض.

ثم، في مايو 2024، أصدرت DeepMind AlphaFold 3 — وغيرت السؤال تمامًا.

ما أضافه AlphaFold 3 بالفعل

كان AlphaFold 2 استثنائيًا في التنبؤ بهياكل البروتين بشكل منفرد. وسع AlphaFold 3 هذه القدرة لتشمل النظام البيئي الجزيئي الكامل: DNA و RNA والروابط الجزيئية الصغيرة والأيونات والتعديلات الكيميائية، وكلها تُتنبأ بها بشكل مشترك مع البروتينات في نموذج واحد موحد. هذا ليس تحسنًا هامشيًا — إنه تحول جوهري في ما يمكن أن يعنيه التنبؤ بالبنية لاكتشاف الأدوية.

كان التغيير المعماري بنفس القدر من الأهمية. استبدل AlphaFold 3 العمود الفقري Evoformer بهندسة معمارية قائمة على الانتشار، مستعيرًا تقنيات من نماذج توليد الصور لتحسين الإحداثيات الذرية ثلاثية الأبعاد بشكل متكرر من الضوضاء. على معيار PoseBusters — وهو اختبار صعب لوضعيات الجزيئات الشبيهة بالأدوية الممكنة فيزيائيًا في مواقع ارتباط البروتين — حقق AlphaFold 3 تحسنًا يزيد عن 50٪ مقارنة بالطرق المتطورة السابقة. بالنسبة لصائدي الأدوية، هذا الرقم مهم: التنبؤ الدقيق بكيفية ارتباط ربيطة جزيئية صغيرة بالموقع النشط للبروتين هو أحد أقدم وأكثر المشاكل تطلبًا حسابيًا في الأبحاث الصيدلانية.

الرهان الدوائي

لم تكن الآثار التجارية خافية على الصناعة. أعلنت Isomorphic Labs، الشركة الشقيقة لـ DeepMind والمتخصصة في اكتشاف الأدوية القائم على الذكاء الاصطناعي، عن شراكة تاريخية مع Eli Lilly في يناير 2024 بقيمة تصل إلى 1.7 مليار دولار — واحدة من أكبر صفقات الذكاء الاصطناعي والأدوية في التاريخ. يركز التعاون بشكل خاص على تطبيق أدوات التنبؤ المتقدمة بالبنية وتصميم الجزيئات على خط أنابيب Lilly الدوائي.

قامت Recursion Pharmaceuticals بدمج تنبؤات AlphaFold في منصة الفحص البيولوجي عالية الإنتاجية الخاصة بها، باستخدام البيانات الهيكلية لتحديد أولويات المركبات التي سيتم تصنيعها واختبارها. في CASP16 — مسابقة التقييم النقدي للتنبؤ بالبنية التي عُقدت في أواخر عام 2024 — هيمنت الأساليب القائمة على الذكاء الاصطناعي على التنبؤ ببنية RNA لأول مرة، وهي فئة كافحت فيها الأدوات السابقة بشدة. القدرة على نمذجة تشكيلات RNA بدقة تفتح الأبواب أمام فئات أهداف جديدة تمامًا، بما في ذلك الأدوية المستهدفة لـ RNA التي أصبحت مجالًا رئيسيًا للاستثمار الدوائي.

جدل الوصول

واجهت استراتيجية نشر DeepMind لـ AlphaFold 3 انتقادات فورية من المجتمع الأكاديمي. على عكس AlphaFold 2، الذي كانت أوزانه مفتوحة المصدر بالكامل ومكّنت نظامًا بيئيًا كاملاً من الأدوات، تم إصدار أوزان نموذج AlphaFold 3 في البداية بموجب شروط مقيدة للغاية — متاحة للبحث الأكاديمي ولكن ليس لأي تطبيق تجاري، ومع قيود جعلت التكامل في خطوط الأنابيب المفتوحة صعبًا.

كان رد الفعل عنيفًا. جادل الباحثون بأن تقييد أوزان نموذج مبني إلى حد كبير على علم ممول من القطاع العام يخلق ميزة غير عادلة لشركات الأدوية ذات الموارد الجيدة. تحركت DeepMind لاحقًا نحو ترتيب ترخيص أكثر تساهلاً للاستخدام الأكاديمي غير التجاري، على الرغم من بقاء القيود التجارية.

سرع الجدل تطوير البدائل المفتوحة. يقدم RoseTTAFold All-Atom، من مختبر Baker في جامعة واشنطن، تنبؤًا مشتركًا للبروتين-الربيطة-الحمض النووي بأوزان مفتوحة بالكامل. Chai-1، الذي أصدرته Chai Discovery في عام 2024، يطابق أداء AlphaFold 3 في العديد من المعايير وهو متاح بموجب ترخيص بحثي متساهل. Boltz-1، من MIT، يوفر تطبيقًا مفتوحًا آخر. معًا، ضمنت هذه الأدوات أن المجتمع البحثي يحتفظ بالوصول إلى التنبؤ المتطور بالبنية دون الاعتماد على بوابة شركة واحدة.

ما لا تزال النماذج غير قادرة على فعله

حل التنبؤ بالبنية عنق زجاجة واحد بينما ترك الآخرين سليمين. القيد الأساسي هو أن هذه النماذج تتنبأ بلقطات ثابتة — بنية واحدة ذات أدنى طاقة — بدلاً من المجموعة الديناميكية من الهياكل التي يأخذها البروتين عينة عند درجة الحرارة الفسيولوجية. تعمل البيولوجيا على الحركة: تغير الإنزيمات شكلها لتحفيز التفاعلات، تنثني المستقبلات لربط جزيئات الإشارة، تعمل البروتينات غير المنتظمة جوهريًا على وجه التحديد لأنها تفتقر إلى بنية ثابتة. تشير التقديرات إلى أن 30 إلى 40 في المائة من البروتيوم البشري يتكون من مناطق غير منتظمة جوهريًا يتعامل معها AlphaFold وخلفاؤه بشكل سيئ، كما ينعكس في درجات الثقة المنخفضة pLDDT لتلك الأجزاء.

تشكل البروتينات الغشائية تحديًا منفصلاً. هذه الأهداف — التي تمثل حوالي 60٪ من الأدوية المعتمدة — توجد في بيئة طبقة ثنائية دهنية يصعب محاكاتها بدقة، وتحمل هياكلها المتوقعة عدم يقين أعلى من البروتينات القابلة للذوبان. تواجه النماذج أيضًا صعوبة مع التغيرات الهيكلية الكبيرة الناتجة عن ارتباط الربيطة، وهو نوع الديناميكيات المحفزة بالارتباط التي تعتبر حاسمة لفهم انتقائية الدواء وتأثيراته خارج الهدف.

النظام البيئي المفتوح وراء DeepMind

نضج المجال إلى نظام بيئي مفتوح غني. يقدم ESMFold من Meta، استنادًا إلى نموذج اللغة ESM المدرب على بيانات التسلسل التطوري بدلاً من محاذاة التسلسلات المتعددة، استدلالًا أسرع بشكل كبير — مفيدًا لتطبيقات الفحص واسعة النطاق حيث تكون السرعة أكثر أهمية من الدقة. يوفر OpenFold إعادة تنفيذ مفتوحة بالكامل لـ AlphaFold 2 يمكن للباحثين إعادة تدريبها وضبطها بدقة على مجموعات البيانات المخصصة.

ESM3 من Evolutionary Scale، الذي صدر في عام 2024، يتخذ نهجًا أكثر طموحًا: نموذج توليدي متعدد الوسائط يستدل بشكل مشترك على تسلسل البروتين وبنيته ووظيفته. حيث يتنبأ AlphaFold بالبنية من التسلسل، يمكن لـ ESM3 توليد تسلسلات جديدة تطوى إلى هياكل مستهدفة — بدءًا من إغلاق الحلقة بين التنبؤ والتصميم.

واكبت البنية التحتية لقاعدة البيانات هذا التطور. يحتوي بنك بيانات البروتين الآن على أكثر من 220,000 بنية محددة تجريبيًا تم تجميعها على مدى خمسة عقود من العمل. نمت قاعدة بيانات AlphaFold، التي تديرها DeepMind و EMBL-EBI بشكل مشترك، إلى أكثر من 200 مليون بنية متوقعة تغطي معظم البروتينات المعروفة عبر جميع مجالات الحياة. هذا المزيج من الحقيقة الأرضية التجريبية والتغطية الحسابية على نطاق واسع غير ما هو ممكن في علم الأحياء الهيكلي المقارن.

تمت إزالة عنق الزجاجة، ولم يتم حل علم الأحياء

بعد عامين من إصدار AlphaFold 3، التقييم الصادق هو هذا: لقد أزال عنق زجاجة حقيقي وهام في خط أنابيب اكتشاف الأدوية، لكنه لم يجعل اكتشاف الأدوية سهلاً. كان التنبؤ بالبنية واحدة من عدة خطوات محددة للمعدل — إلى جانب التحقق من صحة الهدف، وفحص ADMET، والترجمة السريرية، وعدم القدرة الأساسية على التنبؤ بعلم الأحياء البشري في الجسم الحي. حلها بدقة عالية سرع المراحل المبكرة من تصميم الأدوية القائم على البنية وفتح فئات أهداف كانت غير قابلة للوصول سابقًا.

الصفقات التجارية، والبدائل المفتوحة، ونمو قاعدة البيانات، والدفع المستمر نحو الديناميكيات والتصميم التوليدي، كلها تشير إلى أن المجال في مرحلة انتقالية حقيقية. لكن الفجوة بين وضعية ارتباط متوقعة بشكل جميل ودواء يعمل في المرضى لا تزال هائلة — ومليئة بعلم الأحياء الذي لا يعرف أي نموذج بعد كيفية التنبؤ به.