تمثل شبكات التدفق التوليدية (Generative Flow Networks) خطوة جديدة في عالم اكتشاف الأدوية، حيث تعتمد على اتخاذ قرارات متسلسلة لبناء جزيئات جديدة. لكن تتبقى هناك تحديات كبيرة في فك غموض سياساتها الداخلية، مما يعيق استخدامها بشكل أوسع في الكيمياء، التي تحتاج إلى تبريرات قابلة للفهم للهياكل المقترحة.

تقدم الدراسة الحديثة التي نُشرت تحت عنوان "دراسة قابلية التفسير ذات التحكم في SynFlowNet"، رؤى جديدة حول هذه التقنية. حيث تم تدريب SynFlowNet باستخدام مكافأة تعتمد على خصائص الأدوية (QED)، وتجمع هذه المنصة بين أساليب تحليل الساليات والتعديلات المضادة للفعل وتحليل العوامل غير المكتملة.

تُظهر التجارب التي تم إجراؤها باستخدام ضوابط ملصقات مختلطة، ومعايير وصفية (RDKit)، وتقسيم غير مرتبط بالسقالة، استقرارًا عبر البذور، وشبكات غير مدربة متطابقة في العمارة، نتائج مثيرة. تبين أن الخصائص الكيميائية والمجموعات الوظيفية يمكن فك شفراتها بسهولة من رموز SynFlowNet، لكن شبكة غير مدربة بنفس العمارة أداءها لا يختلف كثيرًا عن السياسة المدربة. هذا يشير إلى أن القابلية لفك الشفرة تعكس بنية الرسم البياني وخصائص الذرات بدلاً من التمثيلات المكتسبة من خلال تدريب السياسات.

تُظهر النتائج أن الطبقات الزائدة من المحولات تعيد بناء الرموز بشكل أفضل من الخط الأساسي غير المكتمل، مع ظهور كاشفات التركيب الكيميائي الغنية في كل عملية، مع استقرار ضئيل عبر البذور. النقطة الأهم هي أن النقاط العالية للمجسات لا ينبغي أن تعكس دوماً اكتشافات كيميائية متعلمة.

نأمل أن تسهم هذه الدراسة في تطوير بروتوكولات استخدام أكثر شمولية لفهم نماذج الجزيئات، مما يعزز قدرة الباحثين على التنقل في هذا المجال المعقد.