في عالم اكتشاف الأدوية، يتطلع الباحثون إلى استخدام وكلاء الذكاء الاصطناعي (AI) لتسريع عمليات اتخاذ القرار والتفسير، مما يُعد بوابة لتحقيق اكتشافات جديدة أكثر كفاءة. ولكن، هل يمكن الاعتماد على هذه الأنظمة في اتخاذ قرارات مبنية على بيانات حقيقية؟

تقديم أداة TxBench-PP (TherapeuticsBench Preclinical Pharmacology) يمثل خطوة هامة نحو تقييم موثوق لأداء هذه الوكلاء. هذا النظام الجديد يقدم معياراً يمكن الاعتماد عليه يقيم القدرات في مجال علم الأدوية قبل السريرية للعقاقير الصغيرة، ويشكل القطعة الأولى ضمن جهد أوسع لتقييم مراحل اكتشاف الأدوية.

تستند TxBench-PP إلى 100 تقييم مختلف، تم تصنيفها وفقاً لمراحل البرامج، أنواع الاختبارات، وهياكل المهام. تعتبر المفاهيم المختلفة مثل آلية العمل (Mechanism-of-Action) والتفاعلات المستهدفة من بين أبرز النقاط التي يتم اختبارها. الوكلاء في هذا النظام يتلقون بيانات ضمن بيئة برمجية ويراجعون الملفات، مما يسمح لهم بتقديم إجابات منظمة.

ومع ذلك، تُظهر نتائج الاختبارات أن الوكلاء لم يتمكنوا من استعادة القرارات بشكل موثوق. النظام الأقوى، Claude Opus 4.8 / Pi، حقق نجاحاً بنسبة 59.3% فقط، بينما جاء GPT-5.5 / Pi في المرتبة الثانية بنسبة 55.3%. هذه النتائج تشير إلى أن هناك حاجة ملحة لتحسين الأداء لتلبية متطلبات الاستخدام العملي في اكتشاف الأدوية.

في الختام، تُظهر نتائج TxBench-PP التحديات التي تواجه وكلاء الذكاء الاصطناعي في التعامل مع بيانات حقيقية، مما يستدعي التفكير في سبل تحسين وتطوير هذه النماذج.

ما رأيكم في هذه التطورات؟ هل تعتقدون أن الذكاء الاصطناعي سيحقق تقدماً أكبر في هذا المجال؟ شاركونا في التعليقات!