في عالم الكيمياء الحديثة، يشكل التنبؤ بخصائص الجزيئات الصغيرة تحدياً رئيسياً يؤثر على مجالات متعددة مثل اكتشاف الأدوية وهندسة المواد. ولتجاوز هذه التحديات، تم تقديم نموذج جديد يُدعى MultiPUFFIN، وهو نموذج أساس متعدد الوسائط (Multimodal Foundation Model) للمساعدة في توقع الخصائص الحرارية لجزيئات صغيرة بطريقة دقيقة وفعالة.

تستند فكرة MultiPUFFIN إلى دمج عدة مصادر معلومات، بما في ذلك تسلسلات الـ SMILES (Simplified Molecular Input Line Entry System)، والرسوم البيانية الجزيئية ثنائية الأبعاد، والهندسة الثلاثية الأبعاد للجزيئات. يتم استخدام تقنيات متقدمة مثل الانتباه المتقاطع ثنائي الاتجاه (Bidirectional Cross-Modal Attention) لدمج هذه البيانات، مما يعزز من القدرة على فهم الخصائص الفيزيائية بطريقة تفصيلية.

يتميز هذا النموذج بقدرته على معالجة المشاكل التقليدية التي تواجهها نماذج الجزيئات الأخرى، مثل عدم القدرة على فرض قيود فيزيائية في الطبقات الناتجة. فعلى عكس النماذج السابقة، يمكن لـ MultiPUFFIN التنبؤ بدقة بعوامل مثل ضغط البخار والكثافة بإدخال الشروط التجريبية ووصف الجزيئات بشكل أكثر تعقيدًا، مما يجعله رائدًا في مجاله.

علاوة على ذلك، تم تدريب النموذج على 500,000 جزيء غير مصنف من قاعدة بيانات PubChem باستخدام ثلاث أهداف ذاتية الاشراف، مما يمنحه القدرة على تحليل البيانات بشكل أكبر مقارنة بالنماذج التقليدية. ونتيجة لذلك، حققت MultiPUFFIN نسبة R2 متوسطة قدرها 0.784، متفوقة على النموذج المعروف ChemBERTa-2 في جميع الخصائص المدروسة.

بهذه الخطوة، يصبح MultiPUFFIN ليس مجرد نموذج تقني بل أداة داعمة للباحثين في شتى المجالات العلمية، مما يبشر بمستقبل واعد في تطوير الأدوية وتحسين المواد.