أداة موثوقية الذكاء الاصطناعي تستهدف عنق الزجاجة في اكتشاف المضادات الحيوية

باحثون يدفعون لجعل الذكاء الاصطناعي للمضادات الحيوية أكثر جدارة بالثقة

يقول فريق بحثي في جامعة كوينزلاند إن أحد أكبر العقبات أمام استخدام الذكاء الاصطناعي في اكتشاف المضادات الحيوية ليس القوة التنبؤية الخام، بل الثقة. في عمل نُشر في Journal of Cheminformatics، طورت المجموعة إطارًا مصممًا لاختبار ما إذا كانت أنظمة الذكاء الاصطناعي يمكنها تقديم استدلال موثوق عندما توصي بمركبات كيميائية كمضادات حيوية محتملة.

المشكلة المستهدفة خطيرة. مقاومة المضادات الحيوية تؤدي إلى تآكل فعالية الأدوية الحالية، بينما يعاني خط أنابيب المضادات الحيوية الجديدة منذ سنوات. وهذا يخلق ضغطًا لتسريع الاكتشاف في المراحل المبكرة دون إدخال مصادر جديدة للخطأ. وفقًا للباحثين، لدى الذكاء الاصطناعي القدرة على تسريع هذا العمل، ولكن فقط إذا استطاع العلماء فهم سبب وصول النموذج إلى نتيجة معينة.

هذا القلق حاد بشكل خاص في تطوير الأدوية، حيث يمكن للثقة الزائفة أن تضيع الوقت، وتستهلك موارد المختبر النادرة، وتوجه الفرق في الاتجاه الخاطئ. صاغ باحثو جامعة كوينزلاند المشكلة حول النقد المألوف بأن العديد من أنظمة التعلم الآلي تعمل كـ "صندوق أسود": فهي تنتج إجابة، ولكن ليس شرحًا موثوقًا لكيفية الوصول إليها.

مشكلة الصندوق الأسود في مجال عالي المخاطر

قال الدكتور عبدالمجيب أوناوول من مركز حلول الجراثيم الخارقة بجامعة كوينزلاند إن الحاجة إلى الذكاء الاصطناعي القابل للتفسير ليست أكاديمية. البكتيريا المقاومة للأدوية هي بالفعل تهديد صحي عالمي كبير، والاستدلال الضعيف من نظام الذكاء الاصطناعي قد يقود الباحثين إلى إعطاء أولوية للجزيئات الخاطئة أو إساءة قراءة تأثير التغييرات الكيميائية الدقيقة.

في الكيمياء الطبية التقليدية، تلك التغييرات الدقيقة مهمة للغاية. تغيير طفيف في التركيب الجزيئي يمكن أن يجعل المركب أكثر فعالية بشكل كبير، أو أضعف بكثير، أو غير مناسب كمرشح دوائي. إذا أبرز نموذج الذكاء الاصطناعي مركبًا كمرشح واعد لكنه لا يستطيع تحديد السمات التي تقود هذا التنبؤ بشكل صحيح، فقد يُترك العلماء مع مخرجات جذابة لا تصمد تحت الفحص التجريبي.

الإطار الجديد مصمم لمعالجة هذه الفجوة. بدلاً من السؤال فقط عما إذا كان النموذج يمكنه التمييز بين المركبات الواعدة والرديئة، اختبر الباحثون ما إذا كانت تفسيرات النموذج تتماشى مع الأنماط ذات المعنى الكيميائي. بمعنى آخر، حاولوا قياس ما إذا كان النموذج يصل إلى استنتاجات مفيدة للأسباب الصحيحة.

كيف تم اختبار الإطار

بالنسبة للدراسة، بنى الفريق ثلاثة نماذج للذكاء الاصطناعي باستخدام مجموعات بيانات من المركبات الكيميائية التي تم تقييمها سابقًا ضد Staphylococcus aureus، وهي بكتيريا مرتبطة بالتهابات خطيرة واهتمام مألوف في أبحاث مقاومة المضادات الحيوية. ثم فحص الإطار كيفية تعامل كل نموذج مع مهمتين صعبتين في قابلية التفسير.

الأولى كانت تحديد هياكل الأدوية المهمة المعروفة بالفعل بأهميتها في نشاط المضادات الحيوية. الثانية تضمنت تفسير ما يسمى بـ "منحدرات النشاط"، وهي حالات تسبب فيها تغييرات كيميائية صغيرة تحولات كبيرة في الفعالية البيولوجية. هذه المنحدرات هي اختبار صعب لأنها تكشف ما إذا كان النموذج يمكنه التقاط التفاصيل الكيميائية المهمة بدلاً من الاعتماد على ارتباطات إحصائية واسعة.

وفقًا للدكتور يوهانس زويغ، أيضًا في مركز حلول الجراثيم الخارقة بجامعة كوينزلاند، أظهرت النتائج أن النماذج الثلاثة أدت بشكل جيد نسبيًا في اكتشاف هياكل المضادات الحيوية المعروفة. لكنها اختلفت بشكل حاد في قدرتها على شرح سبب نشاط الجزيء. هذا التمييز أساسي لقيمة الورقة: التعرف القوي على الأنماط وحده قد لا يكون كافيًا إذا لم يستطع الباحثون تحديد ما إذا كان المنطق الداخلي للنظام موثوقًا.

لذلك تدعو الدراسة إلى معيار أعلى في اكتشاف الأدوية بمساعدة الذكاء الاصطناعي. بدلاً من معالجة دقة النموذج كالمعيار الوحيد، يسأل المؤلفون بشكل فعال عما إذا كانت مخرجات الذكاء الاصطناعي يمكنها الصمود أمام استجواب الخبراء. من الناحية العملية، يمكن أن يساعد ذلك الفرق البحثية في تحديد الأنظمة المناسبة لدعم قرارات الكيمياء الطبية وأيها ليست كذلك.

لماذا هذا مهم لتطوير المضادات الحيوية

اكتشاف المضادات الحيوية مكلف وبطيء ومليء بالطرق المسدودة. أي تكنولوجيا تضيق مساحة البحث جذابة، لكن تكاليف اتباع أدلة مضللة عالية بشكل غير عادي. النموذج الذي يبدو دقيقًا بشكل إجمالي قد يظل خطيرًا إذا بنى تنبؤاته على أنماط زائفة، خاصة عندما تؤثر تلك التنبؤات على المركبات التي يتم تصنيعها أو ترقيتها للاختبار البيولوجي.

هذا يجعل قابلية التفسير أكثر من مجرد تفضيل تقني. تصبح أداة تصفية للمخاطر العلمية. إذا كان الإطار يمكنه الكشف عندما يحدد نموذج الذكاء الاصطناعي المحركات الهيكلية الصحيحة للنشاط، فقد يكون الباحثون أكثر استعدادًا لاستخدامه في سير العمل الحقيقي. إذا أظهر أن النموذج ينتج تفسيرات مقنعة ولكن غير سليمة كيميائيًا، يمكن إعطاء النموذج أولوية أقل قبل أن يسبب هدرًا في المراحل اللاحقة.

الوعد، كما يصفه الباحثون، هو شراكة أكثر استنارة بين الذكاء الآلي وعلوم المختبرات. يمكن للذكاء الاصطناعي مساعدة العلماء على التحرك بشكل أسرع، ولكن فقط إذا بقي البشر قادرين على الحكم على ما إذا كان استدلال الآلة سليمًا بما يكفي للثقة. بهذا المعنى، فإن الإطار أقل حول استبدال حكم الخبراء وأكثر حول جعل مخرجات الذكاء الاصطناعي قابلة للتدقيق من قبل الخبراء.

خطوة محسوبة، وليس حلاً مكتملاً

لا تدعي الدراسة أنه تم حل عنق الزجاجة في اكتشاف المضادات الحيوية، ولا تشير إلى أن الذكاء الاصطناعي القابل للتفسير ينتج تلقائيًا أدوية جديدة. ما تقدمه هو طريقة لتقييم ما إذا كانت أنظمة الذكاء الاصطناعي تستحق مكانًا في مثل هذه المرحلة الحساسة من البحث. هذا ادعاء أضيق، لكنه مهم، لأن الحماس حول الذكاء الاصطناعي في علوم الحياة غالبًا ما يتجاوز السؤال العملي حول ما إذا كانت الأدوات موثوقة بما يكفي لاتخاذ القرارات الحقيقية.

يعكس العمل أيضًا تحولًا أوسع في أبحاث الذكاء الاصطناعي التطبيقي. مع انتقال النماذج إلى الطب والكيمياء والتأمين والبنية التحتية وغيرها من الإعدادات المنظمة أو الحرجة للسلامة، لم تعد مقاييس الأداء وحدها كافية. تحتاج المؤسسات بشكل متزايد إلى دليل على أن مخرجات النظام يمكن تفسيرها وتحديها والتحقق من صحتها من قبل متخصصي المجال.

بالنسبة لأبحاث المضادات الحيوية، من المرجح أن يشتد هذا الطلب. تستمر المقاومة في الارتفاع، والبحث عن علاجات جديدة تحت ضغط متزايد. إذا كان الذكاء الاصطناعي سيساعد في تسريع اكتشاف المضادات الحيوية التي تشتد الحاجة إليها، فقد تصبح أطر مثل هذا جزءًا من البنية التحتية الأساسية لتحديد النماذج الجاهزة حقًا للمختبر.

هذه المقالة مبنية على تقرير من Medical Xpress. اقرأ المقال الأصلي.