تعتبر ثوابت تفكك البروتون (pKa) ذات أهمية بالغة في مجال اكتشاف الجزيئات الوظيفية والتصميم الجزيئي. في إطار تطوير تقنيات جديدة، تم الاستناد إلى قاعدة بيانات iBonD، وهي الأكبر من نوعها للبيانات التجريبية الخاصة بـ pKa، لتطوير مجموعة من الأساليب التي تعتمد على التعلم الآلي (Machine Learning) والحسابات الدقيقة للطاقة.

ومع ذلك، يبقى التوسع السريع في بيانات pKa عالية الجودة محصوراً بشكل جذري. في هذا السياق، قمنا بتنفيذ توقعات pKa على نطاق واسع باستخدام مجموعات بيانات غير مصنفة من الجزيئات، مستفيدين من نماذج التعلم الآلي المحسّنة.

تبين النتائج أن توزيع بيانات pKa يقترب من الحالة الطبيعية، لكن هناك نقصاً كبيراً في العينات من الأطراف. على الرغم من أن تحسين البيانات هذا يعد مهماً لزيادة توفر البيانات وتحسين النمذجة التنبؤية، إلا أنه لا يزال غير كافٍ لاكتشاف الجزيئات ذات خصائص pKa واسعة النطاق بكفاءة.

لمعالجة هذه المشكلة، نستكشف توليد جزيئات ذات خصائص pKa نادرة من الفضاء الكيميائي الشاسع. وبما أن الطرق التقليدية مثل VAE-RNN تُظهر عدم استقرار كافٍ ولا تحقق ميزات واضحة في دعم البيانات النادرة، فقد صممنا ونفذنا طرق توليد جزيئات مرتكزة على تقنية Quantum لتعزيز الكميات الصغيرة من pKa.

تم التحقق من جدوى هذه الطرق على جهاز محاكي كوانتي (Quantum Annealer)، وتم تحقيق عينات قيمة متفوقة باستخدام الآلات الفيزيائية المتماسكة (Coherent Ising Machines). وهذا يمثل خطوة جديدة نحو تحسين أبحاث الذكاء الاصطناعي في مجال الكيمياء.

ما رأيكم في استغلال هذه التقنيات الجديدة لتعزيز البحث العلمي؟ شاركونا آراءكم في التعليقات!