قفزة مذهلة في تحسين الجزيئات: MolMem يتخطى التحديات بأسلوب مبتكر!

تمثل عملية تحسين الجزيئات إحدى التحديات الرئيسية في اكتشاف الأدوية، حيث يتطلب الأمر تحسين الخصائص الجزيئية مع الحفاظ على التشابه الهيكلي مع الجزيء الأصلي. ومع ذلك، فإن كل تقييم يتم عبر بوابة "الأوراكل" يكون مكلفًا، مما يجعل كفاءة العينات أهم التحديات التي تواجه الأساليب الحالية. هذه الأساليب تعتمد عادةً على التجربة والخطأ، مما يؤدي إلى الحاجة لعدد كبير من طلبات الأوراكل، في حين أن الطرق التي تلجأ للمعرفة الخارجية تميل إلى إعادة استخدام قوالب مألوفة، مما يعيق تقدمها في الأهداف الصعبة.

إحدى القطع المفقودة في هذه المعادلة هي الذاكرة طويلة الأمد التي يمكن أن توفر أساسًا للتغ Decisions وتقديم رؤى قابلة لإعادة الاستخدام للتOptimizations المستقبلية. هنا يبرز MolMem (تحسين الجزيئات باستخدام الذاكرة)، وهو إطار عمل للتعلم التعزيزي (Reinforcement Learning) يعتمد على الذاكرة المزدوجة.

يستخدم MolMem نظام ذاكرة يتمثل في "ذاكرة الأمثلة الثابتة" (Static Exemplar Memory) لاسترجاع الأمثلة ذات الصلة للأرضية الباردة، و"ذاكرة المهارة المتطورة" (Evolving Skill Memory) لتقطير المسارات الناجحة إلى استراتيجيات قابلة لإعادة الاستخدام. تم تصميم هذا الإطار المبتكر ليقوم بتدريب السياسات باستخدام مكافآت كثيفة على مستوى الخطوات، مما يتيح تحويل التجارب المكلفة إلى معرفة طويلة الأمد يتم استغلالها في تحسينات مستقبلية.

تشير التجارب الواسعة إلى أن MolMem حقق نجاحًا بنسبة 90% في المهام ذات الخصائص الفردية، أي بزيادة تصل إلى 1.5 مرة عن أفضل نقطة أساسية. وفي مهام متعددة الخصائص، حقق MolMem نسبة نجاح بلغت 52% باستخدام 500 طلب فقط من الأوراكل. إن هذا الابتكار يعد بمثابة ثورة حقيقية في مجال تحسين الجزيئات ويسهم في تسريع عمليات تطوير الأدوية بشكل كبير. يمكنكم الاطلاع على الكود الكامل لهذا المشروع عبر الرابط: [GitHub - MolMem](https://github.com/REAL-Lab-NU/MolMem).