في خطوة مثيرة، قدم الباحثون benchmark مُبتكر تحت اسم ABLE لتقييم قدرات عمالقة نماذج الذكاء الاصطناعي (LLM) في استخدام نماذج الذكاء الاصطناعي البيولوجية (BAIMs) مثل ProteinMPNN و AlphaFold3 ضمن عمليات تصميم البروتينات المتنوعة. يتضمن ABLE مجموعة من المهام، بما في ذلك استرجاع الهياكل وتوليد التسلسلات والتحقق من التصميم.

أجرينا تقييماً لـ 15 نموذجاً حديثاً، حيث تبين أن سبعة منها لم تنجح في إتمام أي مهمة، بينما أظهرت النماذج المتبقية اختلافات ملحوظة في الأداء. تصدرت نماذج Claude Sonnet 4 و Gemini 3 Pro المجموعة، محققة أعلى الدرجات في استرجاع المعلومات، واختيار الأدوات، واستخدامها.

كما قارنا أداء النماذج المتعددة في بعض المهام مقابل عينة من خبراء بشريين، مما أظهر أن النماذج الحالية يمكن أن تُسهم في تقليل الحواجز في تصميم البروتينات، لكنها لا تزال تواجه تحديات أثناء التخطيط وتوليد الاستراتيجيات ودمج المعرفة البيولوجية مع استخدام الأدوات. هذا البحث يسلط الضوء على الإمكانيات الهائلة لـ LLMs، مما يفتح آفاق جديدة لابتكارات في هذا المجال المثير.