في عالم الكيمياء وعلم الأدوية، تُعد تمثيلات الجزيئات الجيدة عنصرًا أساسيًا في تحقيق نتائج دقيقة في التنبؤ بالخصائص الجزيئية. وقد شهدت الفترة الأخيرة تطورات مثيرة في تصميم نماذج تعلم مستقلة (Self-Supervised Learning) تعتمد على الشبكات العصبية ثلاثية الأبعاد (3D GNNs)، مما يساعد على فهم البنية ثلاثية الأبعاد للجزيئات بشكل أعمق. ورغم ذلك، تعاني الطرق الحالية من نقص في القيود الفيزيائية الصريحة، مما يجعلها عرضة للضوضاء الهندسية الناتجة عن الشبكات الحقلية التجريبية الخشنة أثناء تدريبها على نطاق واسع.

لذلك، تم تقديم SenCos-GEM، إطار جديد يعزز من تمثيل الجزيئات من خلال توفر ميزات هندسية محسنة. يعتمد هذا النموذج على سمات متطورة مثل خوارزمية SENet ومعايير القوانين المثلثية لتقليل الأخطاء, مما يعكس الأداء العالي في مهام الانحدار والتصنيف بمؤشرات جديدة. تم تحقيق انخفاض ملحوظ في نسبة الخطأ نسبيًا في المهام المختلفة، مثل FreeSolv وLipophilicity وQM9 بمعدلات 12.9% و5.3% و8.2% تواليًا.

علاوة على ذلك، يتميز SenCos-GEM بقدرته الفائقة على تمييز الأيزوميرات الفراغية والتفاعل مع التغييرات الشكلية، مما يبرز الأداء القوي للنموذج في النمذجة المكانية. تعتبر هذه الإنجازات نقطة تحول في دقة التنبؤ بالخصائص الجزيئية، مما يُبرز إمكانيات جديدة في البحث والتطوير في مجال الكيمياء والحيوية.