استخدمت الشركة تمثيلًا عملاقًا واحدًا للبروتينات باستخدام الذكاء الاصطناعي لتوسيع نطاق البحث عن بيولوجيا جديدة وتأمل أن تفعل كل شيء في السيليكو يومًا ما.
سمح الاختراق الذي حققته تقنية كريسبر في العقدين الماضيين لعلماء الأحياء بتحسين معالجة الحمض النووي ، وتقطيعه وتقطيعه من أجل إنشاء كائنات حية مصممة خصيصًا لأغراض معينة. على الرغم من ذلك ، ينتج عن هذا التحرير الحر للجينات مشكلة جديدة: كيفية تنظيم كل التعقيدات الخاصة بالقطع المختلفة المعدلة من الحمض النووي.
هذا مهم بشكل خاص للجزء الذي تبلغ تكلفته مئات المليارات من الدولارات من سوق الأدوية يسمى البيولوجيا ، وهي بروتينات مُهندَسة بشكل أساسي يمكنها تحقيق غرض معين. إذا كنت ستصمم بروتينات جديدة من خلال تقنية كريسبر ، فأنت بحاجة إلى القيام بذلك بطريقة منهجية ، وهي مشكلة اندماجية صعبة إلى حد ما.
ومن ثم ، فإن بعض شركات التكنولوجيا الحيوية الشابة الذكية تتجه إلى أشكال التعلم العميق للذكاء الاصطناعي ، حيث أن التعلم العميق هو تقنية تحب المشكلات الاندماجية.
تأسست شركة Absci للتكنولوجيا الحيوية ، التي ظهرت للاكتتاب العام في العام الماضي ، قبل عقد من الزمن من قبل الرئيس التنفيذي Sean McClain ، الذي ابتكر طريقة جديدة لهندسة خلايا E. coli كمصانع لإنتاج البروتينات المخصصة التي يريدها صانع الأدوية ، مثل الأجسام المضادة وحيدة النسيلة يمكنها محاربة الفيروسات. يمكنك القول إن ماكلين هي شركة إيلون ماسك لتصنيع البروتين.
أدت القدرة التصنيعية الأكبر إلى ظهور مشكلة جديدة: ما يجب فعله بالضبط.
قبل وقت قصير من طرحها للاكتتاب العام ، اشترت Absci شركة ناشئة أخرى ، Denovium ، وهي شركة عمرها ثلاث سنوات رائدة في التعلم العميق لتحليل جميع مجموعات البروتينات العديدة التي يمكن أن تنتجها خلايا McClain.
أوضح ماثيو وينستوك ، كبير تقنيي شركة Absci ، في اجتماع مع Mulkhas عبر Zoom: "لقد بنينا مكتبة كبيرة جدًا من هذه الأجزاء الجينية ، ويمكننا تجميعها معًا" . "وأي تسلسل من الحمض النووي هو الأفضل لإنتاج هذا البروتين هو مشكلة تحسين الكودون ، وهو تحدٍ كبير جدًا."
"إذا كان لدينا مليون إلى مليار سلالة خلوية مختلفة ، فإننا بحاجة إلى قدرة فحص تسمح لنا بالمرور من خلالها لصيد الإبر من كومة القش ، لنجد أن هذه التصاميم الجينية هي الصحيحة".
لا يعتبر تصنيع البروتينات تحديًا اندماجيًا فحسب ، بل يعد أيضًا تحديد البروتين الذي سيعمل كعامل بيولوجي لمرض معين ، وهو السؤال الأساسي في اكتشاف الدواء.
قال وينستوك: "يمكننا ترتيب تسلسل البروتين بشكل عشوائي ، ونسأل عن تسلسل البروتين الأفضل للارتباط بهذا الهدف المحدد".
واينستوك ، الحاصل على درجة الدكتوراه في الكيمياء الحيوية من جامعة يوتا ، كان قد أجرى سابقًا تطوير علاجات الجيل التالي في شركة Startup Synthetic Genomics، Inc. وهناك التقى مع Gregory J. . استمر هانوم في تأسيس Denovium من أجل بناء أدوات التعلم العميق.
بعد الاستحواذ قبل عام ، أصبح هانوم رئيسًا مشاركًا لأبحاث الذكاء الاصطناعي في Absci ، جنبًا إلى جنب مع شريكه المؤسس لشركة Denovium ، أرييل شوارتز.
قال هانوم في نفس المقابلة مع Mulkhas: "علم الأحياء من أكثر المشاكل تعقيدًا التي يعاني منها الكوكب" .
"إنه نظام قائم بذاته بشكل أساسي ، يستغرق تصنيعه مليارات السنين ، إذا تمكنا من فهم ماهية كل الحروف المختلفة ، وما هي تركيباتها ، فسيكون لدينا قوة هائلة لتصميم أدوية جديدة ومساعدة البشرية في طرق."
قام مجال البيولوجيا ببناء "قواعد بيانات جميلة" من خلال مراقبة المختبر الرطب ، كما يشير هانوم ، مثل قاعدة بيانات UniProt أو Universal Protein Resource ، والتي يديرها اتحاد من مراكز الأبحاث حول العالم ، والتي يتم تمويلها من قبل مجموعة من المكاتب الحكومية ، بما في ذلك المعاهد الوطنية الأمريكية للصحة والمؤسسة الوطنية للعلوم.
على الرغم من قواعد البيانات الجميلة هذه ، وعلى الرغم من التحليل الأساسي باستخدام تقنيات مثل Hidden Markov Models ، إلا أن ثلث البروتينات تظل لغزًا من حيث وظيفتها.
لمحاولة حل اللغز ، بنى Denovium نموذجًا عملاقًا واحدًا لمعالجة جميع البروتينات في وقت واحد.
"بدلاً من امتلاك مئات الآلاف من النماذج الصغيرة ، قمنا ببناء نموذج واحد للتعلم العميق يمكنه الانتقال مباشرة من تسلسل إلى آخر."
قال هانوم إن هذا النموذج العملاق لديه ما يسمى بـ "التضمين" ، وهو تمثيل للبروتينات "قابلية التعميم للغاية". فكر في الأمر على أنه ضغط ما هو معروف عن البروتين وصولاً إلى مجموعة من النقاط التي من شأنها إعادة إنتاج ما هو معروف عن أي بروتين.
قال هانوم: "هذا يمنحنا الكثير من المزايا". "يمكننا وضع تعليقات توضيحية على البروتينات ،" بمعنى ، تعيين فرضيات حول وظائفها ، "لم يتم فهم الكثير منها مطلقًا".
بالإضافة إلى ذلك ، يمكنه العثور على بروتينات جديدة لا يزال تسلسلها للأحماض الأمينية غير معروف من خلال إيجاد متماثلات وظيفية لها خصائص مشابهة لتلك المعروفة.
يمكن للنموذج أيضًا إجراء تنبؤات حول ما قد يفعله تغيير تسلسل الأحماض الأمينية. قال هانوم: "أنت تعلم أن هذا له خصائص ربط الحمض النووي ؛ ماذا لو غيرت هذه القاعدة" ، أي قاعدة الأحماض الأمينية.
ولاحظ أن "العلماء استغرقوا عقودًا لبناء يونيبروت". باستخدام نموذج Denovium ، يمكن لشركة Absci إعادة تشغيل تنبؤاتها مقابل قاعدة بيانات Uniprot خلال عطلة نهاية الأسبوع. "يمكننا توليد معلومات جديدة هائلة."
لم يقم دينوفيوم فقط بدراسة البروتينات ؛ كما قامت ببناء برنامج يسمى Gateway لربط الحمض النووي والبروتينات. قال هانوم إن البوابة تربط تمثيلات الحمض النووي والبروتين في نموذج واحد للسماح للعالم "بسحب وإسقاط جينوم كامل ، والعثور على كل بروتين ، وتوضيح وظائفها ، كل ذلك في نموذج واحد ، والذي لا يزال على أحدث طراز".
بمجرد دخول Absci ، انتقل التحدي الذي واجهه Hannum و Schwartz من مجرد شرح الحمض النووي والبروتينات إلى حل مشكلة التصنيع التي كان Weinstock يتعامل معها.
أحد الأمثلة على ذلك هو العثور على "مرافق" جديدة ، وهي بروتينات توجه عملية طي البروتينات. قال هانوم: "يمكننا أخذ الأشخاص الذين عرفناهم ، والعثور على الكثير والكثير" من خلال استشعار أوجه التشابه بين المعروف والمجهول. "بدلاً من مجرد العثور على قائمة بها ، يمكننا في الواقع تصنيفها في مجموعات وظيفية ، لنقل أنها متشابهة ، وبناء خريطة كاملة لجميع البروتينات المتعلقة بكيفية مساعدة البروتينات الأخرى على الانطواء."
قال وينستوك إن هذه الوظيفة "فريدة حقًا". لقد عزز إنتاج Absci للبروتينات أكثر من الضعف.
البروتين المساعد الصحيح ، في هذه الحالة ، ليس من النوع الذي يعتقد أي شخص أنه سيعمل عند النظر إليه باستخدام أدوات المعلوماتية الحيوية التقليدية. قال وينستوك: "لقد كان بروتينًا مجهول الوظيفة ، من بكتيريا جذر غامضة". "لكن النموذج أخبرنا في الواقع أن هذا ربما يكون مرافق ، وقد قادنا إلى تجربته."
لبناء النموذج العملاق في دينوفيوم ، بدأ هانوم وشوارتز بما أسماه مناهج "بدائية إلى حد ما" ، باستخدام الشبكات العصبية التلافيفية ، أو شبكات CNN ، العمود الفقري للتعرف على الصور.
منذ تلك الجهود المبكرة ، تبنى الفريق Transformers ، والنماذج الكبيرة القائمة على الاهتمام التي تم تطويرها في Google ، و "الكثير من الهياكل الموجودة هناك". قال إن هناك العديد من الطرق التي يمكن أن تكمل فيها معالجة اللغة الطبيعية من النوع الذي تتم بواسطة Transformers التعرف على الصور.
هذا له صدى لبرنامج طي البروتين AlphaFold الخاص بـ DeepMind ، والذي انتقل في نسخته الثانية ، في الصيف الماضي ، من استخدام التلافيف إلى استخدام النماذج القائمة على الانتباه.
قال هانوم: "لقد سلكت مجالات البرمجة اللغوية العصبية ومجالات الرؤية طرقها المنفصلة الخاصة بها ، لكنني أشعر أن هناك المزيد يمكن تعلمه من كل جانب". "نحن نتطلع حقًا إلى الجمع بين أفضل ما في العالمين."
وفقًا لهانوم ، فإن التمثيل المثالي للبروتينات هو "شيء نقوم حاليًا بتقييمه ، وإلى أين نذهب." قال إن الشكل الأصلي للتمثيل "كان مسطحًا ؛ إنه أفيني" ، بمعنى الشكل المجرد الذي يقول ببساطة إن أشياء متعددة مرتبطة ببعضها البعض بحيث تكون واسعة قدر الإمكان.
"كان القصد من محرك [Denovium] هو إنشاء تمثيل غير منظم للغاية لأنه كان يتمتع بعد ذلك بالمرونة لاحتواء السياق التعسفي - البنية ، والتماثل ، وكل شيء - يحتوي على كل شيء في فضاء متجه." وقال إن طريقة أخرى لوصفها هي "توزيع غاوسي غير دقيق ، سحابة نقطية لكل بروتين في عالم البروتين."
يقول جريجوري جيه هانوم ، الرئيس المشارك لشركة Absci للذكاء الاصطناعي: "تعد البيولوجيا واحدة من أكثر المشكلات تعقيدًا التي يعاني منها الكوكب". "إنه نظام قائم بذاته بشكل أساسي ، يستغرق تصنيعه مليارات السنين ، إذا تمكنا من فهم ماهية كل الحروف المختلفة ، وما هي تركيباتها ، فسيكون لدينا قوة هائلة لتصميم أدوية جديدة ومساعدة البشرية في طرق."شركة أبشي
(إذا كنت ترغب في الحصول على إحساس أكثر تحديدًا بهذا التمثيل ، يمكنك الاطلاع على ورقة كتبها هانوم وشوارتز عندما كانا في الجينوم التركيبي وتم نشرهما على BioRxiv ، واصفا شيئًا يسمى "التصنيف التوضيحي للبروتين الدلالي العميق والاستكشاف". )
ما يتساءل المرء ، سيكون وظيفة الخسارة ، والطريقة التي يتحسن بها محرك Denovium بوظائفه الواسعة. قال هانوم: "وظيفة الخسارة لدينا هي تعدد المهام ، إنها متعددة المهام للغاية ؛ نعتقد أن هذا هو مفتاح التعميم."
يتضمن ذلك تسميات التعلم عن كيفية طي البروتينات في منطقة معينة. لكنه يتعلم أيضًا مجموعات التجميع المتسلسلة لاكتشاف التماثل بين البروتينات. قال إن هناك مخرجات "خاصة بالحرف" تخبر شركة Absci ، إذا ما أعطيت قاعدة حمض أميني معينة ، بروتين ما يمكن أن يفعل شيئًا مثل العمل كبروتين غشائي للخلية.
يمكن أن تهيمن كل مهمة من هذه الأنواع المختلفة من المهام في أي مرحلة من مراحل البحث ، نظرًا لأن لدى Absci خط أنابيب معقد لحلها. لذا ، يصبح السؤال الأكبر ، ما هي إشارة المكافأة لـ Absci؟ ما يخبر الشركة أنها ستحرز تقدمًا حقيقيًا في تطوير خطوط الخلايا التي تطور البيولوجيا الصحيحة.
بعبارة أخرى ، ما هو التقدم الأمثل بدلاً من مجرد التقدم؟
قال هانوم: "إنه سؤال رائع ، وهو سؤال نحن متحمسون جدًا لإثباته".
إنه يميل إلى رؤية الهدف على أنه تضييق مساحة البحث للمضي قدمًا في مهمة اكتشاف الدواء بشكل عام. هذا يعني ، "ما مدى جودة نقاط البداية؟ هل يمكننا تضييق هذه القائمة؟"
على سبيل المثال ، "من الجيد أن تحصل على مرافق جديد يقدم مساهمة في مشروع ما ، ولكن إذا أمكننا القول ، في المرة القادمة ، جرب هؤلاء المرافقين ، وسيكون أحدهم هو الفائز الجديد ، يمكنك أن ترى التحسن المستمر بمرور الوقت مع ذلك ".
يلاحظ وينستوك أن المشكلة الاندماجية لجسم مضاد معين ، عبر مخلفاته المكونة من 60 فردًا ، هي احتمالات أكثر من وجود ذرات في الكون المعروف. من وجهة نظره ، تكمن قيمة محرك Denovium في العثور على تلك الأشياء في كل من تصنيع خطوط الخلايا وفي اكتشاف الأدوية التي لم يتم أخذها في الاعتبار في المختبر الرطب.
قال: "ستسمح لنا هذه التقنيات بالتوسع إلى الحلول التي لم تكن موجودة حتى في مكتبة الخلايا الأصلية ، والقدرة على القول ، إن تسلسل الجسم المضاد هذا هو الأمثل - لم تختبره ، لكن النموذج قادر على التنبؤ به ، أو أن هذا هو أفضل خط خلوي ، أو هذا هو أفضل موقع ربط للريبوسوم. "
تتمثل اللعبة النهائية في الانتقال إلى نهج in-silico لمعظم إن لم يكن كل أعمال Absci ، حيث يجب عمل القليل من الملل في المختبر الرطب.
قال هانوم: "الرؤية هي أن يكون لديك شيء يحلها بشكل مباشر". "أنت تسأل ، يجب أن أعالج هذا ، ثم يصمم الكمبيوتر الجسم المضاد ومحلول التصنيع ، وفي وقت قصير جدًا ، تقوم بالفعل بإلقاء المحلول في الخزان وتصنيع الدواء الخاص بك."
كما يرى Weinstock ، "إذا استطعنا التخلص من تلك الأشهر القليلة من العمل في حملة الفحص الثانوية" في المختبر الرطب ، "وتحويلها إلى مشكلة حسابية يمكننا حلها خلال عطلة نهاية الأسبوع ، فلن نحصل فقط على مخرجات أفضل ، لكننا سنحصل عليها بشكل أسرع ".
كدليل على التقدم المحرز حتى الآن ، يشير Weinstock و Hannum إلى القدرة على تجاوز مناهج التعلم العميق المنشورة في تطوير علم الأحياء. على سبيل المثال ، استخدمت دراسة نُشرت العام الماضي في مجلة Nature Biomedical Engineering بواسطة علماء في deepCDR Biologics وجامعة ETH Zurich في زيورخ التعلم العميق لحل مشكلة ما إذا كانت بعض الأجسام المضادة ستلتزم بأهدافها على مرض ما ، المستضد.
ولكن ، تدعي Absci في دراسة حالة داخلية ، أن التعلم العميق لها قادر على التنبؤ ليس فقط بإجابة بنعم أو لا لربط الجسم المضاد ولكن أيضًا تحديد درجة "التقارب" الملزم.
قالت الشركة في رسالة بريد إلكتروني إلى EgyBest:
بالانتقال إلى ما هو أبعد من "أحدث التقنيات" ، يوضح نموذج Absci (جنبًا إلى جنب مع فحوصات المعمل الرطب الخاص بها) تنبؤات كمية عالية الأداء حول تقارب تفاعل الجسم المضاد / المستضد. يُقاس على أنه "Kd" - ثابت التفكك - وهذا في الأساس مقياس لمدى التصاق الجسم المضاد بمستضده ، وهو محدد حاسم لوظيفة الدواء. وهكذا فإن النموذج يسمح لـ Absci بتصميم أجسام مضادة جديدة في السيليكو مع تقارب ربط الهدف المطلوب.
يستمر نهج Absci في كسب المتحولين. اعتبارًا من سبتمبر ، كان لدى الشركة 9 مما تسميه "البرامج النشطة" ، تلك التي "تفاوضت فيها الشركة ، أو تتوقع التفاوض ، بشأن اتفاقيات الترخيص للمعالم الرئيسية والعائدات" مع العديد من العملاء.
بعد ذلك ، في أكتوبر ، وقعت صفقة اكتشاف متعددة البرامج مع Cambridge ، Mass-Based Pharma EQRx. ويوم الجمعة ، أعلنت الشركة أنها شكلت تعاونًا بحثيًا مع شركة الأدوية العملاقة ميرك لتصميم "إنزيمات مصممة خصيصًا لتطبيقات التصنيع الحيوي لشركة Merck". وقالت الشركتان إن الاتفاق يشمل احتمال قيام ميرك في نهاية المطاف "بتعيين ما يصل إلى ثلاثة أهداف لاكتشاف الأدوية".
أدى هذا الإعلان إلى ارتفاع السهم بنسبة 26٪ يوم الجمعة.
وقالت شركة Absci لشبكة Mulkhas إنها ستقوم بتحديث العدد الإجمالي للبرامج النشطة "في عمليات الكشف المستقبلية". ستقدم الشركة في مؤتمر الرعاية الصحية الخاص بـ JP Morgan يوم الاثنين ، 10 يناير ، الساعة 12:45 مساءً بتوقيت المحيط الهادئ ، ويمكنك بثها مباشرةً.
ومع ذلك ، لا يزال العالم ينتظر ذلك اليوم الذي يمكن فيه الإعلان عن أن الذكاء الاصطناعي أدى إلى عقار لم يكن ممكنًا من قبل ، كما يقر وينستوك.
قال وينستوك: "فيما يتعلق برؤية جزيء في العيادة تم تصميمه باستخدام بعض هذه التقنيات ، أعتقد أننا على الأرجح بعد عامين".
