«التغذية الراجعة الطيفية» في نماذج البروتينات: كيف يصحح الذكاء الاصطناعي أخطاء التوليد دون إعادة التدريب؟

طرح باحثون ورقة بحثية قُدّمت إلى مؤتمر «نوريبس 2026» تكشف عن خوارزمية جديدة باسم «التغذية الراجعة الطيفية» (Spectral Feedback)، بهدف معالجة معضلة أساسية في نماذج الانتشار المتقطعة المستخدمة في تصميم البروتينات وتوليدها. الورقة التي أعدها شاي ديكمان وميرت سيمري ولاندون بتلر وكانان رامشانداران، تركّز على محاذاة هذه النماذج أثناء الاستدلال عبر آلية تتيح لها تصحيح أخطائها ذاتيًا، متجاوزة القصور في الأساليب التقليدية التي تتعامل مع التوليد كمسار أحادي الاتجاه ينتهي بمجرد خروج التسلسل دون فرصة للمراجعة.

تغيير جوهر مسألة المحاذاة من تحديد مخرجات الرموز إلى تحديد المواقع التي تستحق إعادة الفحص والتعديل. توضح الدراسة أن أساليب تعظيم المكافأة الحالية في نماذج الانتشار المتقطعة كانت تنحصر في توجيه عملية التوليد العكسية، إما عبر تعديل احتمالات الرموز أو اختيار التسلسلات الأفضل في خطوات بينية. وتكمن المشكلة في أن هذه الطرق لا تملك وسيلة للعودة إلى الرموز غير المرغوب فيها وتصحيحها بعد استقرار التوليد. هنا تعتمد الخوارزمية الجديدة على بنية القناع في نماذج الانتشار المتقطعة، فتعيد حجب رموز محددة وتوليد عينات جديدة لها ضمن حلقة تغذية راجعة تكرارية، في نهج يشبه تقنيات تعديل الصور التي تعيد إدخال التشويش ثم تُعيد تشغيل مسار التوليد العكسي لمعالجة مناطق بعينها.

واجه الباحثون تحديًا رئيسيًا في اختيار مواضع التعديل، إذ إن تأثير تعديل أي رمز يرتبط عضويًا بالرموز الأخرى التي تتغير معه في الوقت ذاته داخل السلسلة البيولوجية. ولحل هذه التبعية المتداخلة، صاغ الفريق مفهوم «مجموعة التعديل» (edit-set)، واسترشدوا بملاحظات علمية سابقة حول التفاعلات المتناثرة في الأنظمة الحيوية، ليكتشفوا تجريبيًا أن دوال القيمة المخصصة لمجموعات التعديل في مهام الطي العكسي للبروتينات تمتلك تمثيلات فورييه متناثرة. هذه البنية الرياضية سمحت للخوارزمية بتعلم دوال القيمة وتحسين اختيار مواضع التعديل بدقة وكفاءة حسابية عالية، دون الحاجة إلى المساس بالعملية التوليدية الأصلية في النموذج نفسه.

أثبتت النتائج التجريبية كفاءة هذه الطريقة بصفتها خوارزمية مستقلة عن بنية النماذج، إذ يمكن تطبيقها على النماذج المدربة مسبقًا، أو المحاذاة أثناء وقت الاختبار، أو حتى النماذج المعدلة بدقة. وعند اختبار الخوارزمية في مهمة الطي العكسي للبروتينات بالاعتماد على مقياس مكافأة استقرار البروتين، حققت قفزة بنسبة 32.3 بالمئة في توليد البروتينات المستقرة مقارنة بالنموذج المدرب مسبقًا، وزيادة بلغت 24.8 بالمئة مقارنة بأسلوب اختيار الأفضل من عشرة، كما رفعت نسبة الاستقرار بمقدار 5.8 بالمئة عند تطبيقها فوق نموذج متقدم مدرب أصلًا بتقنيات التعلم المعزز.

تحوّل كلفة التصميم الحيوي من إعادة التدريب الشاقة إلى كفاءة الاستدلال على الخوادم المحلية. بالنسبة إلى مراكز الأبحاث الحيوية وفرق الحوسبة البيولوجية في الخليج ومصر والشام، ينقل هذا الابتكار أولوية الموارد التقنية، فالوصول إلى تصاميم بروتينية مستقرة وفعالة لا يعود مشروطًا بإطلاق حملات تدريب جديدة باهظة التكلفة أو حجز سعات حوسبة فائقة لإجراء تدريب معزز معقد. يستطيع الباحث في الجامعات والمختبرات الإقليمية تفعيل خوارزمية تصحيح لاحقة فوق النماذج الجاهزة أثناء وقت التشغيل، مما يرفع دقة التنبؤ بالبنى الجزيئية ويقلل الهدر المالي في تجارب التخليق الكيميائي داخل المعامل الرطبة، ويمنح المشروعات الناشئة في التكنولوجيا الحيوية قدرة على ابتكار علاجات نوعية بميزانيات حسابية واقعية.

تؤكد نتائج هذه الورقة أن جوهر التطور في النماذج التوليدية البيولوجية لم يعد محكومًا بمضاعفة أحجام البيانات أو تعقيد البنية التحتية فقط، بل يمتد إلى ابتكار آليات ذكية تمنح النموذج مرونة التراجع والتدقيق الذاتي، وهي خطوة تفتح لفرق البحث والتطوير الطبي في العالم العربي مسارًا عمليًا لتحقيق أقصى عائد نوعي من النماذج المتاحة بأقل استهلاك حوسبي ممكن.