تسعى الأبحاث الحديثة في الذكاء الاصطناعي (AI) إلى تعزيز الفهم والتصميم الجزيئي، حيث نشهد تطورات غير مسبوقة في هذا المجال. ولكن، تبقى مسألة التفكير والتحليل على الهياكل الكيميائية الناقصة غامضة حتى الآن.

النماذج التي تأخذ في الاعتبار هياكل ماركوش (Markush Structures)، وهي هياكل شائعة تُستخدم في براءات الاختراع الصيدلانية، تعتبر إحدى الطفرات الرئيسية. هذه الهياكل تعتمد على متغيرات تمثل عائلات جزيئية، مما يتطلب الفهم العميق للبيانات الجزيئية والنصية والكيميائية. ومع ذلك، فإن المعايير الحالية التي تقيم الذكاء الاصطناعي تعتمد بشكل رئيسي على الجزيئات المحددة تماماً، مما يترك معرفة الهياكل المعقدة دون تقييم فعال.

تقديم R-GroundBench يمثل خطوة جادة نحو سد هذه الفجوة. هذه المعايير التشخيصية الجديدة مبنية على هياكل ماركوش الحقيقية وتتميز بمسار اختيار متعدد (VQA) مع صعوبة تختلف وفقاً للمتطلبات. لكن النتائج تكشف عن فجوة كبيرة بين قدرة التعرف على الجزيئات والتأسيس الكيميائي. حيث تتجاوز الدقة 90% في اختبارات السهولة، إلا أن الأداء ينخفض إلى 56-66% في الاختبارات الصعبة بعد تصحيح الطرق المختصرة.

علاوة على ذلك، تبين أن النماذج الكيميائية في المجالات المتخصصة أثبتت عدم موثوقيتها، حيث حققت نجاحاً بنسبة تتراوح بين 25.7-46.2% فقط في الاختبارات الصعبة. نتائج أخرى تشير إلى أن نسبة التطابق الدقيق عند استخدام مخرجات الجيل تبقى تحت 20% بالنسبة لمعظم النماذج وتحت 8% عندما تتطلب البيانات المدخلة عرضاً مرئياً.

تلقي هذه النتائج الضوء على التحديات الكبيرة التي تواجه أنظمة الذكاء الاصطناعي في تحرير الجزيئات، وهو ما يبرز الحاجة الماسة لتطوير المزيد من الأدوات والممارسات لتحسين قدرة AI على اكتشاف العلوم في المستقبل.