تنبؤ موثوق لارتباط البروتينات بجزيئات اللقاح: ثورة في اكتشاف الأدوية

يدرك علماء الأحياء وعلماء الأدوية أن دقة تنبؤ ارتباط البروتينات بالجزيئات اللقاحية (Protein-Ligand Binding Affinity) هي عنصر أساسي في اكتشاف الأدوية باستخدام الحواسيب. ومع ذلك، فإن محركات الارتباط الحديثة تعاني من عدم توافق في التوقعات، مما يجعل من الصعب تحديد أي منها يمكن الوثوق به. في هذا السياق، تم تقديم نموذج RELIABLE-BA الذي يستند إلى مفهوم الدمج الموثوق للتنبؤات.

يعمل هذا النموذج عبر ثلاث خطوات رئيسية: الأولى تتضمن تصميم كل محرك كخبير موثوق من خلال توزيع نارمال-عكسي-غاما (Normal-Inverse-Gamma). الخطوة الثانية تشمل ضبط عدم اليقين المعرفي عن طريق قياس موثوقية السياق الجزيئي، في حين تحتفظ كل خبير بمعدل التوقع الأكثر دقة. أما الخطوة الثالثة فهي دمج الخبراء باستخدام تجميع مغلق (closed-form aggregation) يقيم كل من عدم اليقين الفردي والخلاف بين محركات التنبؤ.

أظهرت التجارب على معايير PDBBind وBDB2020+ أن هذا النهج الجديد لا يحسن دقة التنبؤ فحسب، بل يعزز أيضًا القدرة على تصنيف عدم اليقين، مما يساعد في تقليل أخطاء التنبؤ بنسبة تصل إلى 25% عند الاحتفاظ فقط بمجموعات البروتينات والجزيئات عالية الثقة. وبالتالي، يمثل نموذج RELIABLE-BA أول إطار لتنبؤ علاقات الارتباط المعتمد على الدمج الموثوق ومعايير السياق، مما يوفر مسارًا واضحًا نحو اكتشاف الأدوية المدعوم بالذكاء الاصطناعي.

للمزيد من المعلومات والتفاصيل التقنية، يمكنك زيارة رابط الكود الخاص بالمشروع.