في عالم التصميم الجزيئي الحديث، تسلط الأضواء على نماذج الجيل الجديد المدعومة بالتعلم المعزز (Reinforcement Learning - RL)، والتي مثل نموذجَي REINVENT وPepINVENT، كأدوات قوية لتطوير وتصميم الجزيئات من الصفر. ولكن كيف يتلاقى هذا الطموح العلمي مع الفهم العميق للقيود التي قد تصاحب هذه النماذج؟

تتضمن عملية الإبداع في هذه النماذج استخدام مجموعة من النماذج التنبؤية كجزء أساسي من الأهداف المتعلقة بالتحسين. ومع ذلك، قد تقتصر فائدة هذه النماذج التنبؤية على مجال تطبيقاتها. عندما يتم استخدام التعلم المعزز لاستكشاف الفضاء الكيميائي عبر النماذج التنبؤية، قد تقترح الجزيئات التي تقع خارج نطاق تطبيق هذه النماذج، مما يؤدي إلى توقعات أقل موثوقية.

تظهر هذه المشكلة بشكل خاص في حالة الببتيدات الدائرية، التي تحمل وعودًا علاجية بفضل قدرتها على التعديل وسطح التفاعل الكبير بها، لكنها تظل مجالًا غير مستغل بالمقارنة مع الجزيئات الصغيرة. بينما أثارت الظاهرة السلبية لاختراق الأغشية في الببتيدات الدائرية اهتمام الباحثين، تبقى التحديات قائمة في تحديد التصميمات القابلة للاختراق التي تستهدف المواقع داخل الخلايا.

نقدم إطارًا تصميميًا مدعومًا بالتعلم المعزز يستخدم متنبئ قابلية النفاذ الذي يراعي عدم اليقين كعنصر تقييم. للتغلب على عدم اليقين التنبؤي، وخاصة عندما يتعلق الأمر بالكيمياء الجديدة، قمنا بدمج تنبؤ conformal (Conformal Prediction - CP) كطريقة لتقدير عدم اليقين. يقوم هذا الأسلوب بتقييم التصميمات استنادًا إلى النموذج المعاير عند مستوى ثقة محدد من قبل المستخدم.

وقد أظهرت النتائج أن مكافأة الببتيدات الناتجة بناءً على توقعات CPA يجعل عملية التحسين أكثر موثوقية وفعالية، ويحد من الاستكشاف خارج نطاق تطبيق النموذج التنبؤي. هذه الطريقة الجديدة تbridges the gap بين عدم اليقين التنبؤي واستكشاف التعلم المعزز، مما يُظهر كيف يمكن دمج نماذج الجيل وتنبؤ conformal لأول مرة لتطوير ببتيدات جديدة ومبتكرة.