في عالم البيولوجيا الحديث، يعد فهم كيفية استجابة الجينات للتغيرات البيئية (مثل التعرض لمواد كيميائية معينة) من التحديات الكبرى. من هنا، برزت أهمية الابتكارات في الذكاء الاصطناعي كحلول واعدة لتحقيق ذلك.

في هذه الدراسة الجديدة، تم إطلاق LINCSQA، وهو معيار جديد يتعامل مع توقع تنظيم الجين المستهدف تحت تأثيرات كيميائية معقدة في بيئات الخلايا المختلطة. الطريقة الجديدة تعتمد على أسلوب الاستدلال المتعدد الوكلاء (multi-agent reasoning) الذي يسمح بفهم العلاقات السببية (causal relationships) بين الجينات المختلفة.

يضفي النموذج الجديد PBio-Agent طبقة إضافية من الفعالية من خلال دمج تسلسل المهام المدرك للصعوبة (difficulty-aware task sequencing) وتنقيح المعرفة بشكل تكراري. ما يميز PBio-Agent هو رؤيته العميقة التي تؤكد أن الجينات المتأثرة بنفس المثير تملك هيكلًا سببيًا مشتركًا، مما يمكّن النموذج من توقع الجينات بثقة وتركيب نتائج أكثر تعقيدًا.

تستخدم هذه المنظومة وكلاء متخصصين مدعومين برسوم بيانية معرفية بيولوجية، بينما يعمل وكيل التركيب على دمج المخرجات ويتأكد الحكام المتخصصون من التناسق المنطقي. النتائج أظهرت أن PBio-Agent يتفوق على النماذج الحالية في كل من LINCSQA و PerturbQA، مما يجعل من الممكن للنماذج الأصغر التنبؤ وشرح العمليات البيولوجية المعقدة دون الحاجة إلى تدريب إضافي.

هذا الابتكار ليس مجرد خطوة للأمام في العلوم البيولوجية، بل يمثل أيضًا قفزة نوعية في مجال اكتشاف الأدوية واستكشاف كيفية تأثير المواد الكيميائية على الحياة.