تمثل نماذج اللغات الضخمة (Large Language Models) تحولًا عظيمًا في كيفية تطبيق الذكاء الاصطناعي في مهام كيميائية متنوعة، مثل توقع خصائص الجزيئات، ما يعتبر أساسًا لاكتشاف الأدوية. في هذا السياق، تم تقديم نموذج جديد يُدعى MR-MoL، والذي يعتبر أول نموذج يستخدم توجيه التحليل المتعدد المستويات لتقديم أدلة على الخصائص الكيميائية.

يعتمد نموذج MR-MoL على تمثيل الجزيئات باستخدام سلسلات SMILES أحادية البعد (1D) أو رسوم بيانية جزيئية ثنائية الأبعاد (2D). ومع أن هذه التمثيلات تشفر المعلومات الجزيئية بشكل ضمني، إلا أن مساهمة الهياكل الفرعية الفردية تظل غير واضحة. لكن هذا النموذج يختلف عن غيره باستخدام طرق الاسترجاع والتعزيز التي تضيف سياقًا مستمدًا من مصادر خارجية.

ومع ذلك، يعتمد الكيميائيون في reasoning الخاصة بهم على الهياكل الفرعية الداخلية التي تؤثر على الخصائص. يقدم نموذج MR-MoL تحليلًا داخليًا يتضمن تصنيفات دقيقة للهياكل الفرعية باستخدام الشبكات العصبية الحقيقة (GNN) من خلال تقنية الاستبعاد، حيث يقوم بإصدار تصنيفات مرمزة تشير إلى تأثير كل هيكل فرعي على توقع الخصائص.

هذا النموذج لا يقدم أفضل النتائج فقط عبر ثمانية مهام من مهام MoleculeNet، ولكن أيضًا يعمل على تضييق الفجوة مع نماذج التخصص التي تم ضبطها لكل مهمة. علاوة على ذلك، تشير خمسة تشخيصات إلى أن النموذج يقرأ التحليل بفاعلية ويتفاعل معه، حيث تؤثر رتبة وتأثير الهياكل الفرعية على نتائج التوقع، مما يعيد إنتاج العلاقات المعروفة بين الهيكل والخاصية.

هل ترغب في معرفة المزيد عن كيف يمكن لتقنيات الذكاء الاصطناعي أن تغير مستقبل الكيمياء؟ شاركنا برأيك في التعليقات!