إيفوجين وغوغل كلاود يكشفان عن نموذج أساسي للتصميم الجزيئي التوليدي، ويرسمان عصرًا جديدًا في علوم الحياة الاصطناعية

إيفوجين ليمتد. قد كشف عن نموذج أساسي من الدرجة الأولى للتصميم الجزيئي الصغير، مما يعتبر اختراقًا في كيفية اكتشاف المركبات الجديدة. أعلن في 10 يونيو 2025، بالتعاون مع غوغل كلاود، النموذج يوسع منصة إيفوجين كيم باس آي ويتناول تحديًا طويل الأمد في كل من الأدوية والزراعة: العثور على جزيئات جديدة تتوافق مع معايير複잡ة متعددة في نفس الوقت. هذا التطور على وشك تسريع البحث والتطوير في اكتشاف الأدوية وحماية المحاصيل من خلال تمكين التحسين المتزامن للخصائص مثل الفعالية والسمية والاستقرار في دورة تصميم واحدة.

من الفحص التسلسلي إلى التصميم المتزامن

في البحث الكلاسيكي عن الأدوية والكيمياء الزراعية، يختبر العلماء عادةً عاملًا واحدًا في كل مرة – أولاً التحقق من فعالية المركب، ثم فيما بعد اختبار سلامته واستقراره. هذه الطريقة المتعاقبة بطيئة ومكلفة وغالبًا ما تنتهي بالفشل، مع العديد من المركبات الواعدة التي تفشل في المراحل اللاحقة. كما أنها تحافظ على الباحثين مركزين على الهياكل الكيميائية المعروفة، مما يحد من الابتكار ويجعل من الصعب إنشاء منتجات جديدة قابلة للبراءة. هذا النهج المتقادم يساهم في التكاليف العالية والموعد النهائي الطويل ومعدل النجاح المنخفض – حوالي 90٪ من المرشحين للأدوية يفشلون قبل الوصول إلى السوق.

تغير الذكاء الاصطناعي هذا المنهج. بدلاً من التصفية واحدة تلو الأخرى، يمكن للنماذج الذكية التعامل مع متطلبات متعددة في نفس الوقت، وتصميم الجزيئات لتكون فعالة وآمنة ومستقرة من البداية. تم بناء نموذج إيفوجين الجديد بشكل صريح لتمكين هذا التصميم المتزامن المتعدد المعايير. يهدف هذا النهج إلى إزالة المخاطر في المراحل اللاحقة من التطوير عن طريق وضع اعتبارات مثل الادخار والسمية في التصميم الأولي.

في الممارسة، يمكن أن يعني ذلك عددًا أقل من الفشلات في المراحل المتأخرة – على سبيل المثال، عدد أقل من مرشحي الأدوية الذين يظهرون نتائج مختبرية رائعة فقط ليفشلوا في التجارب السريرية بسبب الآثار الجانبية. في اختصار، يسمح الذكاء الاصطناعي للباحثين بالابتكار بشكل أسرع وأكثر ذكاءً، ويتزامن مع تحسين العديد من جوانب الجزيء الناجح بدلاً من التعامل مع كل جانب على حدة.

داخل كيم باس آي: كيف تصمم النماذج التوليدية الجزيئات

في قلب منصة إيفوجين كيم باس آي يوجد نموذج أساسي جديد قوي تم تدريبه على مجموعة بيانات كيميائية هائلة. جمعت الشركة قاعدة بيانات منحوتة من حوالي 40 مليار هيكل جزيئي – تشمل المركبات الصيدلانية المعروفة والهياكل الكيميائية المتنوعة – لتعليم الذكاء الاصطناعي “لغة” الجزيئات. باستخدام بنية تحتية فيرتكس آي من غوغل كلاود مع الحوسبة الخارقة، تعلم النموذج الأنماط من هذه المكتبة الكيميائية الهائلة، مما يمنحه معرفة غير مسبوقة بخصوص ما تبدو عليه الجزيئات الصيدلانية. هذا التدريب الضخم يشبه تدريب نموذج لغة كبير، ولكن بدلاً من اللغة البشرية، تعلم الذكاء الاصطناعي التمثيلات الكيميائية.

نموذج إيفوجين التوليدي مبني على هيكل شبكة عصبونية تحويلية، مشابهة لنموذج جي بي تي الذي ثورة معالجة اللغة الطبيعية. في الواقع، يُشار إلى النظام باسم كيم باس-جي بي تي، نموذج ذكاء اصطناعي مملوك تم تدريبه على سلاسل سمाइलز (ترميز نصي للهياكل الجزيئية). في عبارات بسيطة، يعامل كيم باس-جي بي تي الجزيئات مثل الجمل – كل سلسلة سمाइलز للجزيء هي تسلسل من الأحرف يصف ذراتها وروابطها. تعلم نموذج التحويل القواعد النحوية لهذه اللغة الكيميائية، مما يسمح له “بكتابة” جزيئات جديدة عن طريق التنبؤ بتسلسل حرف واحد تلو الآخر، بنفس الطريقة التي يمكن لجي بي تي كتابة الجمل حرفًا تلو الآخر. نظرًا لتدريبه على مليارات الأمثلة، يمكن للنموذج توليد سلسلة سمाइलز جديدة تتوافق مع هياكل صيدلانية صالحة.

هذا النهج التوليدي القائم على التسلسل يعتمد على قوة التحويلات في التقاط الأنماط المعقدة. من خلال التدريب على مجموعة بيانات هائلة ومتنوعة كيميائيًا، يتغلب كيم باس آي على المشاكل التي واجهها نماذج الذكاء الاصطناعي السابقة، مثل الانحياز بسبب مجموعات بيانات صغيرة أو توليد جزيئات مكررة أو غير صالحة. أداء نموذج الأساس يفوق بالفعل نموذج جي بي تي التقليدي المطبق على الكيمياء: أظهر الاختبارات الداخلية دقة تقارب 90٪ في إنتاج جزيئات جديدة تتوافق مع جميع معايير التصميم، مقابل دقة تبلغ حوالي 29٪ لنموذج جي بي تي التقليديevogene.com. في المصطلحات العملية، هذا يعني أن hầuلى الجزيئات التي يقترحها كيم باس آي ليست فقط جديدة ولكن أيضًا تتوافق مع ملف التعريف المستهدف، وهو تحسين ملحوظ مقارنة بالتقنيات التوليدية التقليدية.

في حين أن محرك التوليد الأساسي لشركة إيفوجين يستخدم تحويلًا على سلسلة سمایلز الخطية، من الجدير بالذكر أن أدوات الذكاء الاصطناعي الأوسع تشمل هياكل أخرى مثل الشبكات العصبونية الرسومية (جي إن إن). الجزيئات هي رسوميات بشكل طبيعي – مع الذرات كعقد والروابط كحواف – والشبكات العصبونية الرسومية يمكنها التفكير مباشرة في هذه الهياكل. في تصميم الأدوية الحديث، غالبًا ما تُستخدم الشبكات العصبونية الرسومية لتوقع الخواص أو حتى توليد الجزيئات عن طريق بناءها ذرة تلو الأخرى. هذا النهج القائم على الرسم يُكمل النماذج التسلسلية؛ على سبيل المثال، منصة إيفوجين أيضًا تدمج أدوات مثل ديب دوك للفحص الافتراضي ثلاثي الأبعاد، الذي قد يستخدم التعلم العميق لتقييم ربط الجزيئات في سياق هيكلي.

التحسين المتعدد الأهداف: الفعالية والسمية والاستقرار كلها في آن واحد

ميزة بارزة في كيم باس آي هي قدرته على التحسين المتعدد الأهداف. غالبًا ما يُختار هدف واحد في كل مرة في اكتشاف الأدوية الكلاسيكي، ولكن كيم باس تم هندسته لمعالجة العديد من الأهداف في نفس الوقت. يتم تحقيق ذلك من خلال تقنيات التعلم الآلي المتقدمة التي توجيه النموذج التوليدي نحو تلبية العديد من القيود. في التدريب، يمكن لإيفوجين فرض متطلبات الخواص – مثل أن الجزيء يجب أن يُنشط هدفًا معينًا بقوة، وتجنب سمات سامة معينة، وامتلاك قابلية تحمل جيدة – ويتعلم النموذج التنقل في الفضاء الكيميائي تحت هذه القواعد. نظام كيم باس-جي بي تي يسمح حتى bằng “التوليد القائم على القيود”، مما يعني أنه يمكن توجيهه لاقتراح جزيئات فقط تتوافق مع خصائص محددة مرغوبة من البداية.

كيف ينجز الذكاء الاصطناعي هذا التوازن المتعدد المعايير؟ أحد النهج هو التعلم المتعدد المهام، حيث يُنشئ النموذج الجزيئات ويتوقع خصائصها باستخدام معلمين متعلمين، ويتعديل التوليد وفقًا لذلك. نهج قوي آخر هو التعلم بالتعزيز (آر إل). في تدفق عمل محسّن بالتعزيز، يعمل النموذج التوليدي مثل “وكلاء” يلعبون “لعبة” تصميم الجزيئات: يقترح جزيئًا ثم يحصل على درجة مكافأة بناءً على مدى توافق الجزيء مع الأهداف (الفعالية، عدم السمية، إلخ.). مع مرور العديد من التكرارات، يعدل النموذج استراتيجيته التوليدية لتحقيق أقصى مكافأة. تم استخدام هذا الأسلوب بنجاح في أنظمة تصميم الأدوية مدفوعة بالذكاء الاصطناعي – أظهر الباحثون أن خوارزميات التعلم بالتعزيز يمكن توجيه النماذج التوليدية لتوليد جزيئات ذات خصائص مرغوبة. في جوهر الأمر، يمكن تدريب الذكاء الاصطناعي بوظيفة مكافأة تضم العديد من الأهداف، على سبيل المثال منح نقاط للفعالية المتوقعة وطرح نقاط للسمية المتوقعة. ثم يُحسّن النموذج “تحركاته” (إضافة أو إزالة ذرات، تعديل المجموعات الوظيفية) لتحقيق أعلى درجة، ويتعلم بفعالية التنازلات اللازمة لتلبية جميع المعايير.

لم تكشف إيفوجين عن الصيغة الدقيقة لتحريك محركها المتعدد الأهداف، ولكن من الواضح من نتائجها أن هذه الاستراتيجيات تعمل. حقيقة أن كل جزيء توليدي “يتوافق في نفس الوقت مع المعايير الأساسية” مثل الفعالية والقابلية للتركيب والسلامة. سيدفع إصدار كيم باس آي 2.0 القادم هذا الأمر إلى الأمام – يتم تطويره لتمكين ضبط متعدد المعايير مرن أكثر، بما في ذلك معايير محددة من قبل المستخدم مخصصة لمناطق علاجية أو متطلبات المحاصيل المحددة. هذا يشير إلى أن النموذج التالي قد يسمح للباحثين بزيادة أو تقليل أهمية عوامل معينة (على سبيل المثال، إعطاء الأولوية للنفاذ إلى الدماغ لعلاج العصبية أو القابلية البيئية للتحلل لعقار مبيد حشري) والذكاء الاصطناعي سيتعديل استراتيجيته التصميمية وفقًا لذلك. من خلال دمج هذه القدرات المتعددة الأهداف، يمكن لكيم باس آي تصميم جزيئات تصل إلى نقطة حلوة في العديد من مقاييس الأداء في آن واحد، وهو إنجاز يُعتبر عمليًا مستحيلًا بالطرق التقليدية.

قفزة إلى الأمام في طرق البحث والتطوير التقليدية

اكتشاف نموذج كيم باس آي التوليدي يبرز تحولًا أوسع في أبحاث علوم الحياة: الانتقال من سير العمل المتعبة التي تعتمد على التجربة والخطأ إلى الابتكار والتحسين المُحسّن بالذكاء الاصطناعي. على عكس الكيميائيين البشر، الذين يعتادون الالتزام بالسلاسل الكيميائية المعروفة والتحديث ببطء، يمكن للذكاء الاصطناعي أن يفهم مليارات الإمكانيات ويدخل إلى 99.9٪ غير مكتشفة من الفضاء الكيميائي. هذا يفتح الباب لاكتشاف مركبات فعالة لا تشبه أي شيء رأيناه من قبل – أمر بالغ الأهمية لمكافحة الأمراض بالكيمياء الجديدة أو مكافحة الآفات والمرضى الذين طوروا مقاومة للمركبات الحالية. بالإضافة إلى ذلك، من خلال النظر في البراءة من البداية، يساعد الذكاء الاصطناعي التوليدي على تجنب المناطق المزدحمة بالملكية الفكرية. تهدف إيفوجين بشكل صريح إلى إنتاج جزيئات تفتح براءات اختراع جديدة، وهو ميزة تنافسية هامة.

يمكن تلخيص الفوائد على النهج التقليدي على النحو التالي:

• التحسين المتوازي للمعايير المتعددة: يقيم الذكاء الاصطناعي العديد من المعايير في نفس الوقت، وتصميم جزيئات تتوافق مع الفعالية والسلامة والمعايير الأخرى. في المقابل، غالبًا ما تكتشف الأنابيب التقليدية مشكلة السمية فقط بعد سنوات من العمل على دواء واعد. من خلال التنقية المسبقة لمثل هذه القضايا، فإن المرشحين المصممين بالذكاء الاصطناعي لديهم فرصة أفضل للنجاح في التجارب المكلفة في المراحل اللاحقة.

• توسيع التنوع الكيميائي: النماذج التوليدية لا تقتصر على مكتبات المركبات الحالية. يمكن لكيم باس آي إنشاء هياكل لم تُصنع من قبل، ويتوقع أن تكون فعالة. هذا التوليد القائم على الابتكار يتجنب إعادة اختراع العجلة (أو الجزيء) ويساعد في إنشاء منتجات متميزة ذات آليات عمل جديدة. الطرق التقليدية غالبًا ما تؤدي إلى مركبات “مثل-مثل” لا تقدم أي ابتكار.

• السرعة وال规模: ما قد ينجزه فريق من الكيميائيين من خلال الاصطناع والاختبار في عام، يمكن للذكاء الاصطناعي محاكاته في أيام. يمكن لمنصة كيم باس آي التوليدية الفائقة من الذكاء الاصطناعي الفحص الافتراضي لمليارات المركبات بسرعة وتوليد مئات الأفكار الجديدة في تشغيل واحد. هذا يضغط بشكل كبير جدول اكتشاف الأدوية، ويركز التجارب في المختبر فقط على المرشحين الأكثر وعدًا المحدد في السيليكو.

• المعرفة المتكاملة: تدمج نماذج الذكاء الاصطناعي مثل كيم باس آي كميات هائلة من المعرفة الكيميائية والبيولوجية (مثل العلاقات الهيكلية للفعالية، تنبيهات السمية، قواعد الخواص الصيدلانية) في تدريبها. هذا يعني أن كل تصميم جزيء يستفيد من عمق البيانات السابقة التي لا يستطيع خبير بشري واحد احتضانها. يعتمد التصميم التقليدي على خبرة الكيميائيين الصيدلانيين – قيمة ولكنها محدودة بالذاكرة البشرية والانحياز – بينما يمكن للذكاء الاصطناعي التقاط الأنماط عبر ملايين التجارب والأسَر الكيميائية المتنوعة.

في المصطلحات العملية، يمكن أن يؤدي هذا إلى معدلات نجاح أعلى في التجارب السريرية وتكلفة تطوير مخفضة في مجال الأدوية، حيث يتم تخصيص موارد أقل للمركبات المدمرة. في الزراعة، يعني ذلك إنشاء حلول أسرع وأكثر أمانًا لحماية المحاصيل – على سبيل المثال، مبيد أعشاب قاتل للأعشاب ولكن آمن للكائنات الحية غير المستهدفة ويتحلل بشكل أمن في البيئة. من خلال التحسين المتزامن للفعالية والسلامة البيئية معًا، يمكن للذكاء الاصطناعي مساعدة في تقديم “فعال، مستدام، وملكية” للمبيدات الحشرية، مما يعالج التحديات التنظيمية والتحمل في آن واحد.

جزء من صندوق أدوات الذكاء الاصطناعي الأوسع في إيفوجين

في حين يسرق كيم باس آي الأضواء لتصميم الجزيئات الصغيرة، فهو جزء من ثلاثة محركات تقنية مدفوعة بالذكاء الاصطناعي في إيفوجين، مخصصة لنطاقات مختلفة. لدى الشركة مايكرو بوست آي الذي يركز على الميكروبات، وكيم باس آي على الكيمياء، وجينيريتور آي على العناصر الجينية. كل محرك يطبق تحليلات البيانات الكبيرة والتعلم الآلي في مجاله.

تؤكد هذه البيئة المتكاملة لمحركات الذكاء الاصطناعي على استراتيجية إيفوجين كشركة علوم حياة مدفوعة بالذكاء الاصطناعي. يهدفون إلى ثورة اكتشاف المنتجات عبر اللوحة – سواء كان ذلك صياغة دواء أو منشط بيولوجي أو محاصيل مقاومة للجفاف – من خلال استخدام الحوسبة للتنقل في التعقيد البيولوجي. تتقاسم المحركات فلسفة مشتركة: استخدام التعلم الآلي المتقدم لزيادة احتمالية نجاح البحث والتطوير وتقليل الوقت والتكلفة.

النظرة المستقبلية: اكتشاف مدفوع بالذكاء الاصطناعي يصل إلى النضج

الذكاء الاصطناعي التوليدي يغير اكتشاف الجزيئات، ويتحول دور الذكاء الاصطناعي من مساعد إلى شريك ابتكاري. بدلاً من اختبار فكرة واحدة في كل مرة، يمكن للعلماء الآن استخدام الذكاء الاصطناعي لتصميم مركبات جديدة تمامًا تتوافق مع العديد من الأهداف – الفعالية والسلامة والاستقرار والمزيد – في خطوة واحدة.

المستقبل هذا يتحقق بالفعل. قد يطلب فريق أدوية جزيء يستهدف بروتينًا معينًا ويتجنب الدماغ ويتوفر عن طريق الفم – يمكن للذكاء الاصطناعي تقديم مرشحين حسب الطلب. في الزراعة، يمكن للباحثين توليد مبيدات حشرية صديقة للبيئة مخصصة للقيود التنظيمية والبيئية.

النموذج الأساسي الأخير لشركة إيفوجين، الذي تم تطويره مع غوغل كلاود، هو مثال على هذا التحول. إنه يسمح بالتصميم المتعدد المعايير ويفتح مناطق جديدة من الفضاء الكيميائي. مع السماح للإصدارات المستقبلية بالتخصيص أكثر، سيصبح هذا النموذج أداة أساسية في جميع علوم الحياة.

من المهم أن التأثير يعتمد على التحقق من الصحة في العالم الحقيقي. مع اختبار وتحسين الجزيئات التي يولدها الذكاء الاصطناعي، يتحسن النماذج – مما يخلق حلقة ممتازة من التغذية الراجعة بين الحوسبة والتجربة.

هذا النهج التوليدي لا يقتصر على الأدوية أو المبيدات. قد يقود قريبًا إلى اختراقات في المواد والغذاء والاستدامة – مما يوفر اكتشافًا أسرع وأكثر ذكاءً في الصناعات التي كانت مقيدة بالتجربة والخطأ.