في مجال اكتشاف الأدوية، يعد تحسين الوصفات الدوائية أمرًا حيويًا لضمان فعالية العلاجات المقدمة. غير أن التحديات تتزايد عندما يتعلق الأمر بضرورة تعديل المركبات الكيميائية بطريقة تتماشى مع المسارات التركيبية الممكنة. ولتجاوز هذه العقبة، تم تقديم إطار عمل مبتكر يُعرف باسم MolReAct.

يقوم إطار MolReAct بتحويل عملية تحسين الوصفات إلى عملية اتخاذ قرارات ماركوف (Markov Decision Process) ضمن مساحة عمل محددة بشروط تركيبية مُعرفة بواسطة نماذج تفاعلات مدروسة. يتيح استخدام وكيل مُعزز بنموذج لغة كبير (Large Language Model) كبيئة تفاعلية ديناميكية، حيث يتم استدعاء أدوات تحليل كيميائية متخصصة لتحديد المواقع التفاعلية والمجموعات الوظيفية، واقتراح مجموعة مركزة من التحويلات الكيميائية المستندة إلى القوالب المطابقة.

تم تدريب نموذج سياسة مخصص باستخدام تحسين السياسة النسبية الجماعية (Group Relative Policy Optimization) لاختيار من بين هذه التحولات المقيدة بهدف زيادة المكافآت على المدى الطويل عبر مسارات متعددة الخطوات. ويعتمد هذا النظام أيضًا آلية تخزين بيانات مدعومة باستخدام تنسيق SMILES لتقليل الوقت المستغرق في عملية التحسين بنسبة تقارب 43%.

عند تنفيذ 13 مهمة لتحسين الممتلكات من قاعدة بيانات البيانات العلاجية، بالإضافة إلى مهمة واحدة تستند إلى تركيب الجزيئات، تمكن MolReAct من تحقيق متوسط نتائج في أعلى 10 بنسبة 0.571، وهو ما يعد الأفضل بين جميع القواعد المرجعية، حيث احتل المرتبة الأولى أو الثانية في 13 من أصل 14 مهمة، وحقّق أفضل كفاءة عينة في 9 من 14 مهمة.

الأمر الذي يميز MolReAct هو أنه يؤسس كل خطوة تحسين على قوالب تفاعلات مثبتة، مما ينتج جزيئات ليست محسنة فقط من حيث الخصائص، بل كل منها مصحوب بمسار تركيب محدد بوضوح.

في ظل هذه التطورات، تفتح الأبواب أمام فرص جديدة ومثيرة في عالم تطوير الأدوية، مما يبشر بمستقبل أكثر إشراقًا في مكافحة الأمراض.