في عصر التكنولوجيا الحديثة، أصبحت نماذج الذكاء الاصطناعي تلعب دورًا محوريًا في العديد من المجالات، ومن بينها تصميم بروتينات الالتصاق. تقنيات التصميم الحديثة تولد العديد من المرشحين للبروتينات، إلا أن القدرة على التحقق التجريبي في المختبرات لا تزال محدودة، مما يحول الانتقاء إلى عنق زجاجة رئيسي. هنا تأتي أهمية نماذج اللغات الضخمة (Large Language Models) مثل GPT، والتي تمثل قفزة نوعية في تحسين هذه العملية.

أجرى فريق من الباحثين دراسة موسعة لاختبار قدرة LLMs على توليد سياسات ترتيب متعددة المقاييس اعتمادًا على نتائج سابقة لمؤشرات ثقة البنية وجودة الواجهة. بدلاً من اقتراح خط أنابيب جديد لتصميم بروتينات الالتصاق، كان التركيز على تحسين عملية الانتقاء بعد التوليد: أي اختيار أفضل المرشحين النهائيين من مجموعة البذور المُولدة بالفعل باستخدام سلسلة من المؤشرات السابقة.

أظهرت النتائج أن سياسة الترتيب الناتجة عن نماذج الذكاء الاصطناعي يمكن أن تعزز من مستوى الأداء بشكل ملحوظ حيث وصلت متوسط الأداء إلى 0.589 في اختبار Recall@10، وهو تحسن واضح مقارنةً بالنموذج الأولي الأقوى التقليدي الذي حقق 0.571. علاوة على ذلك، في مجموعة فرعية مكونة من ثلاثة أهداف، حققت السياسات العامة المستندة إلى نموذج GPT-5.4 أداءً أقوى مع نسبة Recall قدرها 0.519 وNDCG@10 بمعدل 0.583.

تكشف هذه النتائج عن إمكانيات نماذج الذكاء الاصطناعي في تقديم طبقة تفسيرية للقرارات بعد التوليد، مما يُمكن من دمج المؤشرات المتباينة لتحديد أولويات الالتصاق من مجموعات أكبر من المرشحين. في الختام، تفتح هذه الدراسة آفاقاً جديدة للجمع بين الذكاء الاصطناعي وتصميم البروتينات، مما يعد بزيادة فعالية العمليات البحثية والتطويرية في هذا المجال الحيوي.