في تطور مذهل في مجالات الذكاء الاصطناعي والبيوكيمياء، قام الباحثون بتطوير إطار عمل تعليمي متقدم لتحسين استراتيجيات اكتشاف المركبات الكيميائية، والتي تعتمد بشكل رئيسي على نماذج اللغات الضخمة (Large Language Models). هذه النماذج تتيح استخدام الذكاء الاصطناعي كوكيل في العمليات المعقدة لتخليق المركبات المتعددة، مما يثير تساؤلات حول مدى مساهمة سياسات البحث في نتائج الاكتشافات.

يقوم البحث بتطبيق استخدام أساليب خاصة بالتخليق الحيوي الرجعي (Retrobiosynthesis) والتي تعتمد على محرك حيوي كيميائي ديناميكي يعيد إنتاج نفس التحولات المعتمدة لكل طريقة، مع البحث عن المسارات الممكنة التي تنتهي بمركبات متاحة لهيكل كائن حي مثل الإشريكية القولونية (Escherichia coli). على الإجراءات البحثية، يختار النظام فقط الجزيء الأمامي (Frontier Molecule) التالي للتوسع فيه.

استخدم الباحثون سياسات مدعومة بتقنيات جديدة مثل Qwen2.5-7B، والتي حققت معدلات حل بلغت 65±1% عند 10 توسعات باستخدام LASER، مقارنةً بـ 59% عند استخدام MCTS. ومع زيادة التوسعات إلى 200، ارتفعت النسبة إلى 78±1% مقابل 75% على LASER و88±3% مقابل 80% على معيار RetroPath RL Golden، و63±2% مقابل 45% على معيار BioNavi-NP. وقد أظهرت النتائج أيضاً أن تحسين سياسات الاختيار الأمامي قد يزيد من فعالية البحث دون تغيير عملية الإنتاج الحيوي، وإن كان الأداء لا يزال يعتمد على البناء الأمامي وتصنيف التفاعلات.

يمثل هذا البحث نقطة انطلاق جديدة في استخدام الذكاء الاصطناعي لتحسين عمليات الاكتشاف في مجالات الكيمياء والبيولوجيا، مما يفتح آفاقاً جديدة للبحث والتطور العلمي. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.