في عالم تصميم الأدوية المعتمد على الهيكل (Structure-Based Drug Design - SBDD)، يعد توليد جزيئات تمتلك خصائص مناسبة للأدوية وتلبي متطلبات الهيكل الثلاثي لجزيء بروتين محدد من التحديات الجوهرية. ومع ذلك، فإن الأساليب التوليدية الحالية غالباً ما تعاني من الاعتماد على عمليات ما بعد المعالجة المكلفة أثناء مرحلة الاختيار (Sampling) أو تعاني من ضرورة تجهيز قواعد بيانات مصممة بعناية أثناء التدريب، مما يؤدي إلى تحقيق نتائج متواضعة.

تتفاقم هذه القيود بشكل خاص في الإعدادات متعددة الأهداف، حيث تبقى التوازن بين المعايير المتضاربة تحديًا محوريًا.

لتقديم حل لهذه التحديات، قام الباحثون بطرح FTDiff، إطار عمل مخصص للتعلم المعزز لتحسين توليد الجزيئات القائمة على نماذج الانحلال تحت قيود هيكلية. اعتمادًا على استراتيجية تحسين سياسة نسبية جماعية (Group Relative Policy Optimization - GRPO)، يسعى FTDiff لضمان تحسين مستقر وفعال من حيث العينة.

علاوةً على ذلك، يبني FTDiff على نموذج انحلال مدرب مسبقًا بدون قيود زمنية ويضيف آلية اختيار سريعة تقلل من عدد خطوات إزالة الضجيج (Denoising Steps)، مما يسرع التدريب والاستنتاج بشكل كبير، مع الحفاظ على جودة التوليد. من خلال تحسين مكافأة مستشعرة للعتبة الثابتة، يوجه FTDiff النموذج لإنتاج جزيئات صحيحة ومتنوعة وعالية الجودة، توازن بين أهداف تصميم الأدوية المتعددة.

تظهر التجارب الواسعة على مجموعة بيانات مرجعية أن FTDiff يتفوق باستمرار على الأساليب السابقة، دون الحاجة إلى تحسين مكلف بعد المعالجة أو هندسة بيانات معقدة. إن هذا الابتكار يشكل خطوة هامة نحو تحقيق المزيد من التقدم في مجالات البحوث الصحية وتحسين تصميم الأدوية.