کشف داروهای جدید فرآیندی پیچیده و زمان‌بر است که جمع‌آوری داده، آموزش مدلهای پیشبینی و طراحی مولکول‌های کاندید را در بر می‌گیرد. گوگل با معرفی مهارتهای شیمیدادهورزی (Cheminformatics) برای پلتفرم عامل خود به نام آنتیگریویتی (Google Antigravity)، ادعا می‌کند که این چرخه را از چند روز به تنها یک ساعت کاهش داده است.
چالش یکپارچه‌سازی داده‌های شیمیایی
شیمی یکی از غنی‌ترین سوابق عمومی علم است که میلیون‌ها ساختار مولکولی را در مقالات و کاتالوگ‌ها در بر می‌گیرد. با این حال، یک مولکول واحد می‌تواند به اشکال مختلفی مانند نام آیوپاک در یک مقاله، ساختار مارکوش در یک پتنت یا فایل ساختار-داده در یک کاتالوگ ظاهر شود. خطا در تفسیر حتی یک اتم یا پیوند می‌تواند به معنای توصیف یک ترکیب کاملاً متفاوت و بی‌اثر باشد.
برای رهایی دانشمندان از پیچیدگی مدیریت این دادهها، گوگل مجموعه‌ای از مهارتهای شیمیدادهورزی را برای آنتیگریویتی ساخته است. این مهارتها بر پایه RDKit، جعبه ابزار متن‌باز بنیادی شیمیدادهورزی، و با اتصال به منابع معتبری مانند ChEMBL و PubChem توسعه یافته‌اند. در این معماری، مدل زبانی مسئولیت هماهنگی گردش کار، پیمایش پایگاه داده و استدلال علمی را بر عهده دارد، در حالی که ابزارهای قطعی شیمی محاسبات مولکولی را اجرا می‌کنند.
مطالعه موردی: افزایش پتانسی دارو با روش سخت‌سازی
یکی از تکنیک‌های کلاسیک شیمی دارویی برای بهبود قدرت دارو، روشی به نام سخت‌سازی (Rigidification) است. بسیاری از مولکول‌های دارویی دارای پیوندهای چرخشی متعدد هستند که به آن‌ها اجازه میدهد در محلول به شکل‌های سه‌بعدی مختلفی درآیند و «شل» باشند. برای اتصال به هدف، مولکول باید در یک شکل فعال قفل شود. از دست دادن این آزادی حرکت باعث کاهش انرژی پیوند و قدرت دارو می‌شود.
شیمی‌دانان دارویی با افزودن پیوندهای جدید، مولکول را سخت‌سازی می‌کنند. افزودن یک پیوند دوم برای محکم کردن دو زیرساختار، حرکت آن‌ها را در فضای سه‌بعدی به شدت محدود کرده و مولکول را در شکل دقیق مورد نیاز برای اتصال قفل می‌کند. این استراتژی که گاهی «پرداخت هزینه آنتروپی از پیش» نامیده می‌شود، می‌تواند قدرت دارو را به طور چشمگیری افزایش دهد.
یک مثال موفق از این روش، داروهای کریزوتینیب (crizotinib) و لورلاتینیب (lorlatinib) است. هر دو از مهارکننده‌های تیروزین کیناز برای درمان سرطان ریه هستند. کریزوتینیب دارای پنج پیوند چرخشی اصلی است، در حالی که لورلاتینیب که ساختاری مشابه دارد، در انتهای خود حلقوی شده و تعداد موثر پیوندهای چرخشی آن به صفر رسیده که منجر به پتانسی بالاتر شده است.
گردش کار هوشمند عامل در عمل
با استفاده از مهارتهای شیمیدادهورزی، عامل آنتیگریویتی می‌تواند هزاران ترکیب را جستجو کند، تحلیل‌های پیشرفته انجام دهد و طرحهای مولکولی جدید ارائه کند.
جستجو، استخراج و تحلیل تعاملی
عامل می‌تواند ادبیات علمی مربوط به داروها و آنالوگ‌های آن‌ها را جستجو کند، مولکولها را از اسناد استخراج نماید و آن‌ها را برای تحلیل‌های بعدی آماده کند. سپس یک نمایش‌دهنده تعاملی راه‌اندازی می‌شود که ترکیب‌های گردآوری شده، داده‌های مرتبط و نمودارهای پراکندگی قابل تنظیم را نشان میدهد. برای مثال، رسم نمودار قدرت در برابر پیوندهای چرخشی، بلافاصله نشان میدهد که ماکروسیکل‌هایی مانند لورلاتینیب تمایل به پیوندهای چرخشی کمتر و قدرت بالاتر دارند.
تحلیل جفت مولکولی و مدل‌سازی یادگیری ماشین
عامل می‌تواند تحلیل جفت مولکولی همسان (Matched Molecular Pair Analysis) را انجام دهد. این تکنیک اثرات تغییرات کوچک و گسسته در یک مولکول را با مقایسه جفت مولکول‌هایی که فقط در آن تغییر متفاوت هستند، ایزوله می‌کند. در این مطالعه، تحلیل نشان داد که حلقوی‌سازی تعداد پیوندهای چرخشی را کاهش داده و به طور کلی قدرت را افزایش میدهد.
علاوه بر این، عامل تعداد زیادی مدل پیشبینی قدرت با استفاده از مجموعه‌های ویژگی و معماری‌های مدل مختلف می‌سازد و آن‌ها را روی یک مجموعه آزمون جداگانه اعتبارسنجی می‌کند. مهارتها به عامل راهنمایی می‌کنند که چگونه بهترین مدلهای یادگیری ماشین مولکولی را بسازد.
طراحی و پیشنهاد مسیرهای سنتز
در نهایت، از عامل خواسته می‌شود تا بر اساس آموخته‌های خود، ماکروسیکل‌های جدید و بهبود یافته‌ای طراحی کند. عامل می‌تواند چندین واکنش و مسیر سنتز را که شامل ترکیبات مختلف است، پیشنهاد دهد. این مهارت، عامل را با ابزارهای لازم برای دستکاری و اعتبارسنجی واکنش‌ها، تولید نمودارهای الکترون‌رانی با فلش منحنی و جستجوی واکنش‌های مشابه از پایگاه‌های داده عمومی مجهز می‌کند.
عامل با ترکیب دانش خود و مدلهای توسعه یافته قبلی، طرحهای جالبی ایجاد کرد، منطق شیمی دارویی خود را توضیح داد و مسیرهای سنتز بالقوه‌ای مطابق با روش‌های مستند پیشنهاد کرد. همچنین از مدلهای آموزش دیده در مرحله قبل برای پیشبینی قدرت هر طراحی استفاده نمود.
محدودیت‌ها و چشم‌انداز آینده
با وجود قدرت این ابزار، محدودیت‌هایی وجود دارد. داده‌های پراکنده، نویز بین آزمایشگاهی و محدوده‌های دینامیکی باریک، دقت پیشبینی حتی قدرتمندترین مدل‌ها را محدود می‌کنند. طراحیهای محاسباتی فرضیههای قابل آزمایش هستند، نه داروهای تمام‌شده. با مهارتهای شیمیدادهورزی در آنتیگریویتی، یک دانشمند کشف دارو می‌تواند فرضیههای طراحی با پشتوانه قوی‌تر را سریع‌تر تولید کند، اما هر طراحی پیشنهادی باید سنتز و به طور تجربی اعتبارسنجی شود.
سرعتی که محققان می‌توانند تصمیمات علمی معنادار بگیرند در حال شتاب گرفتن است. گردش کاری که پیشتر چندین روز و تخصص محاسباتی قابل توجهی نیاز داشت، اکنون با استفاده از آنتیگریویتی به عنوان یک کارگاه علمی، برای شیمی‌دانان محاسباتی و تجربی قابل تسریع شده است و به آن‌ها اجازه میدهد بر سوالات واقعاً مهم متمرکز شوند.
پرسش‌های متداول
آنتیگریویتی گوگل چیست؟
آنتیگریویتی (Antigravity) یک پلتفرم عامل هوش مصنوعی از گوگل دیپمایند است که با افزودن مهارتهای تخصصی مانند شیمیدادهورزی، به یک کارگاه علمی تعاملی برای محققان تبدیل شده است.
مهارتهای شیمیدادهورزی چه کاری انجام میدهند؟
این مهارتها به عامل هوش مصنوعی امکان میدهند تا مولکولها را از اسناد استخراج کند، دادهها را تحلیل کند، مدلهای پیشبینی بسازد و حتی طرحهای مولکولی جدید با مسیرهای سنتز پیشنهاد دهد.
آیا طراحیهای محاسباتی این عامل جایگزین آزمایش واقعی میشوند؟
خیر. این طراحیها فرضیههای قابل آزمایش هستند، نه داروهای نهایی. هر پیشنهاد باید سنتز و بهطور تجربی اعتبارسنجی شود، اما این ابزار سرعت تولید فرضیههای قوی را افزایش میدهد.
منبع: Google DeepMind
