تمهيد
يظل سرطان الثدي واحدًا من أبرز أسباب الوفيات المرتبطة بالسرطان على مستوى العالم، وتتطلب مواجهته جهودًا بحثية متواصلة تمتد من فهم آليات المرض على المستوى الجزيئي إلى تطوير علاجات أكثر فاعلية وأقل آثارًا جانبية، وفي قلب هذه الجهود يقع البحث الصيدلاني الذي يسعى إلى تحديد توليفات دوائية قادرة على تحقيق أفضل النتائج العلاجية الممكنة للمرضى، غير أن اتساع فضاء المركبات الكيميائية المحتملة وتعقد التفاعلات فيما بينها يجعل الفحص التقليدي بطيئًا ومكلفًا ومحدود القدرة على تغطية الاحتمالات المتاحة، وهنا يبرز دور الذكاء الاصطناعي بوصفه أداة قادرة على معالجة أحجام ضخمة من البيانات الكيميائية والبيولوجية واستخلاص أنماط دقيقة يصعب على التحليل البشري وحده الإحاطة بها، إذ يجمع بين التمثيل الجزيئي للمركبات والنمذجة التنبؤية والدعم المنظم لاتخاذ القرار داخل أداة واحدة يسهل الوصول إليها، بما يسرّع تحديد المرشحين الواعدين في المراحل المبكرة من البحث، ويعزز في الوقت ذاته الشفافية وقابلية إعادة إنتاج النتائج والتصميم المرتكز على احتياجات المستخدم، وتكتسب هذه الدراسة أهمية خاصة للباحثين العرب وطلاب الدراسات العليا في مجالات الصيدلة والمعلوماتية الحيوية وعلوم الحاسوب، لأنها تقدم نموذجًا عمليًا متكاملًا لكيفية بناء أدوات دعم قرار ذكية تخدم القطاع الصحي وتختصر المسافة بين البيانات المخبرية والقرار العلاجي
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى تطوير وتصميم أداة تحمل اسم PredictRx وهي أداة دعم قرار قائمة على الذكاء الاصطناعي تستهدف مساعدة الممارسين الصحيين على تحليل توليفات الأدوية التي يمكن توظيفها في علاج مرضى سرطان الثدي، واعتمد بناء الأداة على الموصوفات الجزيئية والخصائص الفيزيائية الكيميائية للمركبات وعلى مجموعات بيانات التفاعلات الدوائية المستمدة من قواعد بيانات طبية حيوية متاحة للعموم، ودمجت الأداة ست تقنيات من التعلم الموجه وغير الموجه لفحص أوجه التشابه البنيوي بين المركبات والتنبؤ بالتفاعلات الدوائية المحتملة وأنماط التآزر فيما بينها، وشملت هذه التقنيات الغابة العشوائية وآلة المتجهات الداعمة والانحدار اللوجستي وتجميع المتوسطات والتجميع المكاني القائم على الكثافة والتجميع الهرمي التجميعي، وقُيّم أداء النماذج باستخدام مصفوفة التصنيف ومعامل سيلويت ومؤشر كالينسكي هاراباش ومؤشر ديفيس بولدين، ثم نُشرت الأداة في صورة تطبيق ويب يمكن الوصول إليه عبر المتصفح بما يتيح التفاعل الفوري مع المدخلات وعرض النتائج وتصويرها بصريًا
ثانيًا: أبرز النتائج
1، أظهرت النتائج أن خوارزمية الغابة العشوائية حققت أعلى أداء تنبؤي بين جميع النماذج المستخدمة، إذ بلغت دقة تصنيفها القيمة الكاملة في مقاييس التقييم، بما يشير إلى قدرة عالية على التمييز بين المركبات وتصنيفها بصورة موثوقة
2، قدم التجميع الهرمي التجميعي أقوى درجات التجميع بين التقنيات غير الموجهة، إذ سجل معامل سيلويت قيمة مقدارها 0.6946 ومؤشر ديفيس بولدين قيمة مقدارها 0.2457، وهي قيم تدل على تماسك المجموعات المتشكلة وحسن انفصالها عن بعضها بعضًا
3، كشف التحليل الاستكشافي للبيانات أن الوزن الجزيئي والألفة للدهون والتشابه البنيوي بين المركبات تأتي في مقدمة العوامل المساهمة في التنبؤ بتوافق الأدوية، بما يساعد الباحثين على فهم الأسس الجزيئية التي يقوم عليها هذا التوافق
4، أتاحت الأداة المنشورة عبر المتصفح إمكان التفاعل في الزمن الحقيقي مع النتائج وتصويرها بصريًا، وتتسم بسهولة الاستخدام وقابلية التفسير مع تركيز خاص على تحليل توافق الأدوية وتآزرها، وهو ما يميزها بوصفها أداة فحص مميزة عن كثير من الأدوات الأقل وضوحًا في مخرجاتها
ثالثًا: دلالات الدراسة وتطبيقاتها
تحمل هذه الدراسة دلالات مهمة لمسار اكتشاف الأدوية الحديث، إذ تبين كيف يمكن للنمذجة التنبؤية المدعومة بالذكاء الاصطناعي أن تسرّع الفحص الجزيئي واكتشاف أدوية سرطان الثدي في مراحله المبكرة، وأن تمد الباحثين بأساس قابل للتوسع يقوم عليه مستقبل البحث الصيدلاني بمساعدة الذكاء الاصطناعي، فالجمع بين التجميع والتصنيف والتمثيل الجزيئي والتصوير البصري داخل منصة واحدة قابلة للتفسير يختصر زمن الانتقال من البيانات الخام إلى القرار البحثي، ويفتح أمام فرق البحث في الجامعات العربية ومراكز الأبحاث إمكان بناء أدوات مماثلة منخفضة التكلفة اعتمادًا على قواعد البيانات المفتوحة، كما يفيد طلاب الدراسات العليا في التدرب على خطوات بناء نماذج التعلم الآلي وتقييمها بمقاييس كمية متعددة ومقارنة أدائها قبل الانتقال بأي مرشح دوائي إلى مراحل التحقق المخبري والسريري اللاحقة
وخلاصة القول إن أداة PredictRx تمثل إضافة نوعية في توظيف الذكاء الاصطناعي لخدمة اكتشاف أدوية سرطان الثدي، فقد جمعت بين قوة النماذج التنبؤية وسهولة الاستخدام وقابلية تفسير النتائج، وقدمت دليلًا عمليًا على أن دمج تقنيات التصنيف والتجميع والتمثيل الجزيئي في منصة واحدة يساعد على التحديد الفعال للتوليفات الدوائية المناسبة، ويمنح الباحثين والممارسين الصحيين قاعدة متينة لتطوير بحوث صيدلانية مستقبلية أكثر سرعة وموثوقية وشفافية
