في عالم تصميم الجزيئات، يُعتبر التوجيه النصي (Text-guided) من المفاتيح الأساسية في اكتشاف الأدوية المدعوم بالذكاء الاصطناعي. لكن، يظل التحدي الأكبر يتمثل في كيفية ربط الأوامر الطبيعية المتسلسلة بهياكل جزيئية غير خطية تحت ظروف كيميائية صارمة. معظم الأساليب الحالية، مثل RAG وCoT prompting، تركز على مجموعة صغيرة من وجهات النظر المعتمدة على التفكير المخصص، مما يجعل العمليات غالبًا تقتصر على جيل أحادي.

على النقيض، يعتمد اكتشاف الأدوية الحقيقي على النقد الديناميكي من زوايا متعددة والتحسين التكراري، مما يضمن توافق المقصد الدلالي مع الجدوى الهيكلية. استجابةً لهذه التحديات، تم تقديم فكرة Mol-Debate، التي تعتمد على نموذج إنتاجي يمكّن من تفكير ديناميكي عبر حلقة من التوليد، النقاش، والتطوير.

يُبرز هذا البحث التحديات الرئيسة في هذا النموذج، ويعالجها من خلال تنسيق يركز على المنظور، بما في ذلك صراع المطورين والمناقشين، التفكير الهيكلي العالمي والمحلي، والتكامل الثابت والديناميكي.

تُظهر التجارب أن Mol-Debate يحقق أداءً بارزًا، متفوقًا على معايير قوية في الكيمياء، حيث وصلت نسب التوافق الدقيقة إلى 59.82% على مجموعة ChEBI-20، ونسبة النجاح المرجحة إلى 50.52% على S$^2$-Bench.

تم تقديم الكود الخاص بالنموذج على منصة GitHub، مما يتيح للباحثين استكشاف الإمكانيات المذهلة لهذا النهج الجديد.