نماذج اللغات الكبيرة: هل تُساهم في تصميم أدويتنا وموادنا المستقبلية؟

تُعَدّ عملية اكتشاف الجزيئات التي تمتلك الخصائص اللازمة لِخلق أدوية ومواد جديدة عمليةً مُعقدةً ومكلفة، تستهلك موارد حاسوبية ضخمة وأشهر من العمل البشري لتضييق نطاق العدد الهائل من المُرشحين المحتملين. لكن، يُمكن لنماذج اللغات الكبيرة (LLMs) مثل ChatGPT تبسيط هذه العملية. إلا أنّ تمكين نموذج LLM من فهم وتفسير الذرات والروابط التي تُكوّن الجزيء، بنفس الطريقة التي يفعلها مع الكلمات التي تُكوّن الجمل، قد مثّل عائقًا علميًا.

قام باحثون من معهد ماساتشوستس للتكنولوجيا (MIT) ومختبر MIT-IBM Watson للذكاء الاصطناعي بتطوير نهجٍ واعدٍ يُعزّز نموذج LLM باستخدام نماذج تعلم آلي أخرى تُعرف بِالنماذج القائمة على الرسوم البيانية (graph-based models)، والتي صُمّمت خصّيصًا لتوليد وتنبؤ بِالهياكل الجزيئية.

تعتمد طريقتهم على نموذج LLM أساسي لفهم استفسارات اللغة الطبيعية التي تحدد الخصائص الجزيئية المُرادَة. يُغيّر النظام بشكلٍ آليّ بين نموذج LLM الأساسي وَوحدات الذكاء الاصطناعي القائمة على الرسوم البيانية لتصميم الجزيء، وشرح المنطق، وتوليد خطةٍ خطوة بخطوة لِتصنيعه. يُدمج النظام توليد النصوص، والرسوم البيانية، وخطوات التصنيع، مُجمعًا الكلمات، والرسوم البيانية، والتفاعلات في مُصطلحٍ مشترك ليستهلكه نموذج LLM.

عند مقارنته بِالنهج القائمة على LLM الموجودة، أنتجَت هذه التقنية المُتعددة الوسائط جزيئاتٍ تطابقت بشكلٍ أفضل مع مواصفات المُستخدم وكانت أكثر احتماليةً لِامتلاك خطة تصنيع صحيحة، مُحسّنةً نسبة النجاح من 5 بالمائة إلى 35 بالمائة.

كما تَفَوّقَت على نماذج LLMs أكبر منها بأكثر من 10 أضعاف في الحجم، والتي تُصمّم الجزيئات وطرق التصنيع باستخدام التّمثيلات النصية فقط، مما يُشير إلى أنّ التعددية في الوسائط هي السرّ في نجاح النظام الجديد.

يُمكن أن يكون هذا الحلّ نهايةً إلى نهاية حيث نُمكن من أتمتة عملية تصميم وصنع الجزيء بالكامل. يُعتبر هذا إنجازًا كبيرًا لشركات الصناعات الدوائية في توفير الوقت والجهد.

في الختام، يُمثّل هذا النهج المُبتكر خطوةً مُهمةً نحو استخدام نماذج اللغات الكبيرة في مجال اكتشاف الأدوية والمواد الجديدة، مُعززًا من كفاءة العملية وِمُحسّنًا من نسبة النجاح.

هذا المحتوى تم باستخدام أدوات الذكاء الاصطناعي.