في خطوة رائدة تعزز مكانتها في طليعة الابتكار التكنولوجي والعلمي، كشف باحثو شركة آبل مؤخرًا عن تفاصيل نموذجهم الجديد للذكاء الاصطناعي، الذي أطلقوا عليه اسم SimpleDesign. يمثل هذا النموذج تطورًا نوعيًا لقدرته على إنشاء تسلسلات وهياكل بروتينية بشكل مشترك ومتكامل، مما يبشر بآفاق جديدة في علم الأحياء الحاسوبي وتطوير الأدوية. فما هو SimpleDesign، وما الذي يجعله فريدًا؟
نظرة على السياق التاريخي: من SimpleFold إلى SimpleDesign
لفهم أهمية SimpleDesign، لا بد من العودة قليلًا إلى الوراء. ففي سبتمبر الماضي، نشر باحثو آبل دراسة بعنوان SimpleFold: طي البروتينات أبسط مما تعتقد، والتي قدمت منهجية مبسطة للتنبؤ بالبنية ثلاثية الأبعاد للبروتينات انطلاقًا من تسلسل الأحماض الأمينية الخاص بها.
يعتمد SimpleFold على تقنية ‘مطابقة التدفق’ لإنشاء البنية ثلاثية الأبعاد مباشرةً. وباختصار، تبدأ هذه التقنية من أساس عشوائي وتتعلم مسارًا مباشرًا وفعالًا للوصول إلى النتيجة النهائية، على عكس نماذج الانتشار التي تعمل بإزالة الضوضاء تدريجيًا. لقد أظهرت هاتان التقنيتان، اللتان ترتبطان تقليديًا بتوليد الصور، إمكانات واعدة أيضًا في مجالات أخرى مثل توليد النصوص والتعليمات البرمجية، وهو ما استكشفه باحثو آبل بنجاح.
لقد نجح SimpleFold في دمج مطابقة التدفق مع كتل المحولات عامة الغرض – المستخدمة عادةً في نماذج اللغة – مما سمح له بتجنب التعقيدات الحسابية الباهظة التي تتطلبها نماذج طي البروتينات الأخرى، مثل AlphaFold الشهير من DeepMind.
الآن، يأتي SimpleDesign ليطبق نفس الفلسفة التبسيطية الشاملة التي بدأها SimpleFold، ولكن على نطاق أوسع يشمل مشكلة تصميم البروتينات بأكملها، وليس مجرد التنبؤ ببنيتها. إنه يمثل قفزة من فهم البنية إلى القدرة على تصميمها.
SimpleDesign: ثورة في التصميم المشترك للبروتينات
في دراستهم الجديدة بعنوان التصميم البسيط: نموذج مشترك لتصميم تسلسل البروتين والبنية، يوضح باحثو آبل المفهوم الجوهري وراء نموذجهم. فبينما تعتمد النماذج الحالية غالبًا على عملية تدريب متعددة المراحل، حيث يتم أولاً تدريب أجهزة تشفير تلقائية لتحويل البيانات إلى تمثيلات كامنة، ثم يتم تدريب النموذج التوليدي على هذه التمثيلات، فإن SimpleDesign يتجاوز هذه التعقيدات.
يتبنى SimpleDesign نهجًا مباشرًا وفعالًا، حيث يتم تدريبه مباشرةً في مساحة البيانات، مما يعني أنه يتعلم كيفية إنشاء تسلسلات الأحماض الأمينية وهياكلها ثلاثية الأبعاد المتكاملة في عملية تدريب واحدة وشاملة، بدلًا من الاعتماد على خطوات وسيطة لتحويل هياكل البروتين إلى ‘رموز مميزة’ منفصلة.
كانت طريقة تدريب SimpleDesign مبتكرة ومثيرة للاهتمام للغاية. فقد بدأ الباحثون بأكثر من مليوني زوج من تسلسلات وبنى البروتينات، مأخوذة بشكل أساسي من مجموعة بيانات AFESM، والتي تجمع بين التنبؤات من قاعدة بيانات AlphaFold وعينات إضافية. خلال عملية التدريب، قاموا بإحداث تشويه في كلا الجزأين من كل زوج: إخفاء الأحماض الأمينية في التسلسل وإضافة تشويش إلى البنية ثلاثية الأبعاد المقابلة.
لقد تلاعب الباحثون بدرجة التشويه لكل جانب. فعندما كان التسلسل سليمًا إلى حد كبير والبنية مشوهة بشدة، كان النموذج يتعلم طي البروتين، أي استعادة البنية من تسلسل معروف. وعلى النقيض، عندما كانت البنية سليمة إلى حد كبير والتسلسل مخفيًا، كان النموذج يتعلم الطي العكسي، أي إنشاء تسلسل قادر على إنتاج بنية معينة. وعندما تم خلط التشويه بين الجانبين، تدرب النموذج بفعالية على التصميم المشترك للبروتينات.
وفقًا للدراسة، حقق SimpleDesign نتائج تنافسية للغاية في مختلف معايير التصميم المشترك للبروتين، وتوليد البنية، وتوليد التسلسل، وذلك على الرغم من اعتماده على مسار تدريب أبسط بكثير مقارنة بالنماذج الأخرى.
كما وجد الباحثون أن SimpleDesign قادر على توليد هياكل بروتينية معقولة، وأن تسلسلات الأحماض الأمينية التي ينتجها كانت جيدة بشكل عام أو أفضل من تلك التي أنتجتها معظم النماذج متعددة الوسائط المنافسة. ومع ذلك، لا تزال هذه النتائج مقتصرة على التقييمات الحاسوبية، حيث لم يتم اختبار البروتينات المولدة تجريبيًا للتأكد من أنها ستطوى أو تعمل أو تتصرف بأمان في الأنظمة البيولوجية الحقيقية.
بالرغم من أن SimpleDesign لا يزال في مراحله الأولية من التقييم التجريبي، إلا أن النتائج الأولية التي توصل إليها باحثو آبل واعدة للغاية. يمثل هذا النموذج خطوة مهمة نحو تبسيط وتسريع عملية تصميم البروتينات، مما قد يفتح الأبواب أمام ابتكارات غير مسبوقة في الطب الحيوي وعلوم المواد. إنها حقبة جديدة حيث يلتقي الذكاء الاصطناعي مع أسرار الحياة لتشكيل مستقبل أكثر إشراقًا.