في عصر تتطور فيه التكنولوجيا بوتيرة غير مسبوقة، برزت تقنية الطباعة ثلاثية الأبعاد (3D Printing) كأحد الحلول الرائدة في مجال صناعة الأدوية، وذلك بفضل قدرتها على توفير جرعات دوائية مخصصة تلبي احتياجات الأفراد بشكل دقيق. وقد ساهمت التطورات الأخيرة في الذكاء الاصطناعي (AI) في تسريع عمليات تطوير الصيغ وتصنيع الأدوية، مما يغير بشكل جذري الأساليب التقليدية المستخدمة.

ومع أن أغلب الجهود الحالية التي تُستخدم فيها الذكاء الاصطناعي تظل مركزّة على جوانب محددة، إلا أن التقدم الأخير في هذا المجال يشمل مفاهيم الذكاء الاصطناعي العام، مما يعني قدرة الأنظمة على تجاوز النمذجة التنبؤية التقليدية والتوجه نحو التفكير الإنساني العام.

في هذا السياق، تم إجراء أبحاث جديدة لاستكشاف كيفية استخدام نماذج اللغة الكبرى (LLMs) المدربة على بيانات تتضمن أكثر من 1400 صيغة دوائية، وذلك بهدف التوصية بالمكونات المناسبة بناءً على جرعة المكون الفعال، وتوقع خصائص المواد المستخدمة في الطباعة. تمت معالجة أربعة بنى لنماذج اللغة الكبرى بدقة، مع تقييم شامل لعمليات التهيئة والتوليد الخاصة بها.

أظهرت نتائج الدراسة أن نموذج Llama2 هو الأنسب لتقديم التوصيات بشأن المكونات الصيدلانية المناسبة. كما انكشف أن اختيار النموذج ومعايير التهيئة لهما تأثير كبير على الأداء، حيث أظهرت النماذج الأصغر أحيانًا بعض حالات النسيان الكارثي. بالإضافة إلى ذلك، ثبت أن:
(i) حتى مع مجموعة بيانات صغيرة نسبيًا تضم أكثر من 1400 صيغة، يمكن أن تؤدي إلى نسيان كارثي للنموذج؛
(ii) المعايير القياسية لنماذج اللغة الكبرى تقيم الأداء اللغوي فقط وليس قابلية العمليات الصيدلانية؛
(iii) النماذج المدربة على بيانات مرتبطة بالطب الحيوي لا تقدم دائمًا أفضل النتائج.

إنّ معالجة هذه التحديات تعتبر ضرورية لتطوير نماذج اللغة الكبرى نحو أنظمة موثوقة لتطوير الصيغ الدوائية، مما يمهد الطريق لعصر جديد من الابتكار في صناعة الأدوية.