>/BASH

هوش مصنوعی بونبون از پیشرفت در پیش‌بینی برهم‌کنش‌های مولکولی و یافتن مهارکننده برای ۹ هدف خبر می‌دهد

پیش‌چاپی از Output Labs گزارش می‌دهد که بونبون ویژگی‌های برهم‌کنش را از توالی‌های پروتئین–لیگاند استخراج کرده و به انتخاب ترکیبات فعال برای ۹ هدف کمک کرده است. داده‌های آموزشی اختصاصی، جزئیات ناکامل آزمایش‌ها و کنترل‌های محدود، دامنه نتیجه‌گیری را محدود می‌کنند.

هوش مصنوعی بونبون از پیشرفت در پیش‌بینی برهم‌کنش‌های مولکولی و یافتن مهارکننده برای ۹ هدف خبر می‌دهد

شرکت Output Labs گزارش می‌دهد که مدل برهم‌کنش مولکولی بونبون می‌تواند اثرات عملکردی، محل اتصال و درگیری کووالانسی را از جفت‌توالی‌های پروتئین–لیگاند شناسایی کند و ترکیبات منتخب آن در آزمایش‌های بیوشیمیایی علیه ۹ هدف مرتبط با بیماری فعالیت نشان داده‌اند. این یافته‌ها در پیش‌چاپی از آدی ماشیاخ آمده که ۱۰ نوامبر ۲۰۲۶ در arXiv منتشر شده است. داوری همتا تأیید نشده و تکرار مستقل نتایج ارائه نشده است.

بزرگ‌ترین نسخه بونبون ۱٫۶ میلیارد پارامتر دارد و با حدود ۳٫۲ تریلیون توکن از داده‌های اختصاصی غربالگری و برهم‌کنش‌های مصنوعی، بدون مختصات ساختاری یا برچسب‌های پیش‌آموزش ویژه هر وظیفه، آموزش دیده است. پژوهشگران بازنمایی‌های ثابت مدل را با قواعد امتیازدهی مبتنی بر ویژگی ارزیابی کردند. مقاله این توانایی‌ها را «بدون نمونه» می‌نامد، اما امضاهای ویژگی از بازنمایی‌ها شناسایی و در اندازه‌های مختلف مدل ثابت نگه داشته شدند؛ اطلاعات ارائه‌شده کاملاً روشن نمی‌کند که فرایند کشف این امضاها چگونه از برچسب‌های ارزیابی جدا شده است.

در مقایسه شش اندازه مدل، از ۴۲ میلیون تا ۱٫۶ میلیارد پارامتر، بزرگ‌ترین مدل در گام پایانی جهش محسوسی نشان داد، در حالی که خطای پیش‌آموزش به‌تدریج کاهش یافت. از ۱٫۳ میلیارد به ۱٫۶ میلیارد پارامتر، میانگین کلان دقت مثبت برای سازوکار اثر از ۰٫۶۰۸ به ۰٫۸۱۱، مساحت زیر منحنی ROC یا AUROC برای تمایز اتصال ارتوستریک و آلوستریک از ۰٫۶۰۲ به ۰٫۸۳۴، و AUROC درگیری کووالانسی در مولکول‌های فاقد گروه واکنش‌پذیر قابل‌شناسایی از ۰٫۶۴۵ به ۰٫۷۷۵ رسید. این نتایج جهشی را در همین آزمایش ثبت می‌کنند و آستانه‌ای همگانی برای ظهور توانایی‌ها را اثبات نمی‌کنند: برای هر اندازه فقط یک اجرای آموزشی انجام شد و هم تعداد پارامترها و هم بودجه توکن‌های آموزشی تغییر کرد.

ارزیابی سازوکار اثر شامل ۱۰۷٬۰۲۷ برهم‌کنش در شش کلاس بود و میانگین کلان دقت مثبت ۸۱٫۱ درصد گزارش شد؛ این معیار به دقت مثبت هر کلاس وزن برابر می‌دهد. آزمونی جداگانه برای تمایز آگونیست‌ها از آنتاگونیست‌های مؤثر بر گیرنده‌های یکسان، در ۲۲۲ گیرنده جفت‌شونده با پروتئین G یا GPCR، به صحت متوازن ۸۵٫۵ درصد رسید. امتیاز F1 گزارش‌شده برای تعیین محل اتصال در داده‌های خارج از توزیع ۰٫۳۸۸ ± ۰٫۱۲۴ بود، هرچند بخش ارائه‌شده معنای مؤلفه عدم‌قطعیت را مشخص نمی‌کند.

برای تمایز جایگاه اصلی اتصال، یا ارتوستریک، از جایگاه‌های ثانویه، یا آلوستریک، بونبون در ۶٬۰۳۲ کمپلکس خارج از توزیع به AUROC برابر با ۰٫۸۳۴ رسید؛ این مقدار برای اثرانگشت‌های مولکولی ۰٫۵۸۹ بود. طبقه‌بندی درگیری کووالانسی نیز در ۱٬۲۱۲ جفت خارج از توزیع به AUROC برابر با ۰٫۸۳۸ رسید. AUROC توان تفکیک در رتبه‌بندی را می‌سنجد، نه درصد پیش‌بینی‌های درست را. قاعده حذف پروتئین در این مطالعه، پروتئین‌های آموزشی با همسانی توالی بیش از ۹۰ درصد نسبت به اهداف ارزیابی را کنار گذاشت؛ بنابراین خویشاوندان احتمالی زیر این آستانه می‌توانستند باقی بمانند.

در معیارهای پیش‌بینی اتصال، مقاله ضریب غنی‌سازی در یک درصد بالای رتبه‌بندی را در LIT-PCBA-AF3 برابر با ۱۶٫۶ گزارش می‌کند؛ این مقدار برای قوی‌ترین روش مقایسه‌ای هم‌تاشدگی گزارش‌شده ۹٫۳ بود. پیش‌بینی میل اتصال از یک مدل خوانش با آموزش نظارت‌شده جداگانه روی بازنمایی‌های ثابت استفاده کرد و به همبستگی پیرسون ۰٫۷۴ در CASP16 و ۰٫۷۸ در FEP+4 رسید. توان پردازش گزارش‌شده روی یک H100 حدود ۲٬۵۰۰ جفت در ثانیه، یا با بازنمایی‌های ازپیش‌محاسبه‌شده ۴۲٬۵۰۰ جفت بود. مقایسه سرعت به حجم کار و ذخیره‌سازی نتایج میانی وابسته است و خروجی امتیازدهی توالی با پیش‌بینی ساختار سه‌بعدی تفاوت دارد.

برای آزمایش آینده‌نگر آزمایشگاهی، پژوهشگران مولکول‌های تازه‌تولیدشده و قابل‌سنتز را رتبه‌بندی کردند و برای هر هدف حداکثر ۲۴ ترکیب، در مجموع برای ۹ هدف از هفت خانواده پروتئینی، ساختند. آن‌ها نرخ موفقیت ۶۱٫۵ درصدی در آزمون دوز–پاسخ و مهارکننده‌های تأییدشده برای همه اهداف گزارش می‌کنند؛ از جمله IC50 تا ۳ نانومولار برای JAK1 و تا ۳۸ نانومولار برای VEGFR2. اهداف VEGFR2 و ELANE خارج از توزیع تعیین شده بودند. این اندازه‌گیری‌ها از مهار بیوشیمیایی در شرایط آزمایش‌های گزارش‌شده پشتیبانی می‌کنند؛ گزینش‌پذیری، فعالیت سلولی، ایمنی یا فایده درمانی را اثبات نمی‌کنند.

جزئیات کلیدی اعتبارسنجی در اطلاعات ارائه‌شده در دسترس نیست؛ از جمله تعداد کل ترکیبات آزموده‌شده، آستانه موفقیت، تعداد تکرارها و پروتکل کامل آزمایش‌ها. بازوی مقایسه همسان با روش رقیب یا انتخاب تصادفی گزارش نشده است، بنابراین نتایج آزمایشگاهی نمی‌توانند میزان بهبود بازده کشف به کمک بونبون را تعیین کنند. منتشر نشدن وزن‌های مدل و داده‌های آموزشی، افشا نشدن روش تولید داده مصنوعی و اطلاعات ناکامل درباره وابستگی میان مشاهدات نیز بازتولیدپذیری و اطمینان به ادعاهای گسترده‌تر را محدود می‌کنند.

تصویر جلد با هوش مصنوعی تولید شده و تصویرسازی مفهومی است؛ مدرک پژوهش نیست.

منابع اصلی

پست این خبر در اینستاگرام