متابعة ـ منصة السودان ـ
رغم تطور البحث الطبي الحيوي، لا يزال تعقيد المرض يشكل تحدياً كبيراً أمام العلماء. ففي العديد من الأمراض، وخاصة السرطانات والأمراض العصبية التنكسية، نادراً ما يكون هناك «جينة» واحدة أو بروتين واحد مسؤول بمفرده عن ظهور المرض. بل غالباً ما تتفاعل مسارات متعددة من الإشارات الجزيئية والجينات بشكل معقد، مما يصعّب مهمة العلاج. وهنا تظهر أهمية الدراسة الحديثة التي أجراها باحثو كلية الطب بجامعة «هارفارد»، حيث كشفوا عن نموذج ذكاء اصطناعي جديد يُدعى «بي دي غرافر» (PDGrapher) يمكنه إحداث تحوّل جذري في طريقة اكتشاف العلاجات واستعادة صحة الخلايا المريضة.
اكتشاف محركات المرض
تم تصميم أداة «PDGrapher» لتلبية حاجة ملحة عبر تمكين العلماء من تحديد مجموعات من الجينات والأدوية التي يمكنها إعادة الخلايا المريضة إلى حالتها الصحية.
لا يركّز هذا النموذج على استهداف جزيء واحد، بل يقوم بتحليل الشبكة الكاملة من العلاقات المعقدة بين الجينات والبروتينات والمسارات داخل الخلية. يعتمد على نوع من الذكاء الاصطناعي يُعرف باسم «شبكات الرسم البياني العصبية» (Graph Neural Networks)، وهو مصمم لفهم العلاقات بين مكونات الخلية تماماً كما لو كانت وصفة طعام تحتاج إلى إعادة توازن، وليس فقط إزالة مكوّن فاسد.
طريقة عمل «PDGrapher»
درّب الباحثون النموذج على مجموعات بيانات تشمل خلايا مريضة قبل وبعد خضوعها لعلاجات مختلفة. من خلال هذه البيانات، تعلّم النموذج ما هي الجينات التي، عند تعطيلها (إما جينياً أو عبر أدوية)، يمكنها تحويل الخلية من حالة مرضية إلى حالة أقرب إلى الطبيعية. ثم تم اختبار «PDGrapher» على 19 مجموعة بيانات تغطي 11 نوعاً من السرطان. واللافت أن النموذج طُلب منه توقّع أهداف علاجية في أنواع خلايا وسرطانات لم يتم تضمينها في مرحلة التدريب، ما يؤكد قدرته على التنبؤ وليس فقط التكرار.
من بين النجاحات، حدّد النموذج جينات معروفة بالفعل بأنها أهداف فعالة للعلاج حتى عندما تم إخفاؤها عمداً من البيانات التدريبية. كما اكتشف جينات واعدة أخرى، مثل «KDR» (المعروفة أيضاً باسم VEGFR2) في سرطان الرئة، والإنزيم «TOP2A» في أنواع أورام معينة، وكلها مدعومة بأدلة علمية حديثة.
مزايا تتجاوز الطرق التقليدية
يتميّز نموذج «PDGrapher» بعدّة جوانب تجعل منه أداة واعدة ومبتكرة في مجال اكتشاف العلاجات، فهو لا يقتصر على استهداف جين واحد أو مسار منفرد داخل الخلية كما تفعل الطرق التقليدية، بل يعتمد على مقاربة شاملة تأخذ بعين الاعتبار التداخلات المعقدة بين مسارات متعددة، مما يمنحه القدرة على اقتراح تركيبات علاجية فعالة تُعيد التوازن إلى الحالة الخلوية وتزيد فرص النجاح، خصوصاً في مواجهة الأمراض التي تنشأ من تفاعل عدة عوامل جزيئية في آنٍ واحد.
وإلى جانب هذا العمق في التحليل، يتمتع النموذج بسرعة وكفاءة لافتتين تجعله متفوقاً بشكل واضح على الأدوات المماثلة؛ إذ أظهرت الاختبارات أنه أنجز بعض المهام بسرعة تفوق النماذج الأخرى بما يصل إلى 25 مرة، كما صنّف الأهداف العلاجية الصحيحة في مراتب أعلى بنسبة بلغت 35 في المائة، ما يجعله أداة مثالية لتسريع عمليات البحث والتطوير في البيئات البحثية المعقدة.
وتكمن إحدى أبرز نقاط القوة أيضاً في قدرته العالية على التعميم، حيث أثبت النموذج قدرته على التنبؤ بدقة حتى في حالات مرضية لم يسبق له «رؤيتها» أثناء مرحلة التدريب، وهو ما يشير إلى مرونة خوارزمياته وإمكانية تطبيقه بنجاح على نطاق واسع من الأمراض والأنسجة المتنوعة دون الحاجة لإعادة تدريبه في كل مرة.
أما الميزة الأهم هي قابليته العالية للتفسير؛ إذ لا يقدّم نتائجه كمجرد مخرجات رقمية معتمة، بل يوفّر رؤى سببية واضحة حول كيفية ارتباط كل جين بالحالة الخلوية المستهدفة، مما يمنح الباحثين أدوات تحليل عميقة تساعدهم على فهم آليات المرض بشكل أدق وتصميم تجارب سريرية أكثر توجيهاً وفاعلية بناءً على فهم علمي مدعوم بدلاً من التجريب العشوائي.
