بيانات شركات الأدوية الخاصة تُعزز الذكاء الاصطناعي الدوائي

تحقق شركة أفيريس التقنية الفرنسية بالتعاون مع شبكة الأحياء البنيوية للذكاء الاصطناعي، والتي تضم إيبفي، وأستيك، وبريتشر آند ويبل، وجونسون آند جونسون، وتاكييدا، من قفزة تقنية في مجال اكتشاف الأدوية باستخدام تقنيات التعلم الاتحادي. يهدف المشروع إلى تذليل أحد أكبر العقبات في تطوير نماذج الذكاء الاصطناعي التنبؤية، وهي ندرة البيانات الموثوقة حول تفاعلات البروتينات مع الجزيئات الدوائية، حيث تعتمد معظم النماذج الحالية على قواعد بيانات عامة محدودة تفوقها دقة التطبيق العملي في السيناريوهات الدوائية الحقيقية. من خلال بنية التعلم الاتحادي، تمت معالجة أكثر من عشرين ألف بنية تجريبية خاصة للبروتين والليجاند محلياً داخل خوادم الشركات المشاركة دون نقل البيانات فعلياً، حيث تُرفع فقط تحديثات المعاملات إلى مركز تجميع مركزي. استغرق التدريب أقل من عشرة أسابيع على نموذج الأساس المفتوح أوبن فولد 3 من جامعة كولومبيا. أظهرت النتائج أن النموذج الملائم تفوق بشكل ملحوظ على أفضل النماذج العامة المتاحة، حيث ارتفعت دقة قياس جودة سطح التفاعل المحلي من 35.6 في المئة إلى 52.1 في المئة، ونسبة وضع الجزيء في موقع الارتباط الصحيح من 28.9 في المئة إلى 46.8 في المئة. كما سجل تحسناً كبيراً غير مُصمم مسبقاً في توقع واجهات تفاعل البروتين مع البروتين. أكدت الاختبارات الأمنية المتقدمة غياب أي قنوات لتسرب البيانات أو استنتاج معلومات خاصة، مما يثبت أمان المنهجية الصناعية. يُعد هذا الإنجاز نقلة نوعية بعد سنوات من التجارب السابقة الأقل تأثيراً، ويعزى نجاحه المباشر إلى تطور البنية الأساسية للنماذج ونضج الأدوات الهندسية. ويعترف مطورو النموذج بأن استعادة البيانات الخاصة يمثل حلاً عملياً فورياً، بينما يركز الخبراء على ضرورة الانتقال المستقبلي نحو توليد بيانات جديدة وموجهة عبر مبادرات عالمية ضخمة، مع التأكيد على أن التحدي القادم يكمن في النمذجة الديناميكية للتفاعلات الجزيئية بدلاً من التنبؤ الهيكلي الساكن. ويؤكد القائمون على المشروع أن التكامل بين استغلال البيانات المخزنة آلياً واستثمارات القطاعين العام والخاص لإنتاج بيانات جديدة يبقى الطريق الوحيد لتجاوز حدود الذكاء الاصطناعي الحالي، نظراً لعدم امتلاك أي كيان وحده للمعرفة الكاملة.