آخر الأخبار: سيغنال تحصّن محادثاتها من عيون مساعدات الذكاء الاصطناعي

٢٢ نوفمبر ٢٠٢٦
أبحاث وتطورات الذكاء الاصطناعي

اختبار جديد يقيس قدرة الذكاء الاصطناعي على اختيار مركبات دوائية واعدة

طوّرت OpenAI معيار MedChemBench لتقييم فهم النماذج لبنية الجزيئات وربطها بالنتائج التجريبية واختيار المركبات التي تستحق مزيدًا من الاختبار.

باحثون يراجعون نماذج جزيئية ونتائج تجارب داخل مختبر للكيمياء الدوائية
باحثون يراجعون نماذج جزيئية ونتائج تجارب داخل مختبر للكيمياء الدوائية

صورة تعبيرية مولّدة بالذكاء الاصطناعي

شارك الخبر

أطلقت OpenAI معيارًا بحثيًا جديدًا باسم MedChemBench لفحص مدى قدرة نماذج الذكاء الاصطناعي على مساعدة علماء الكيمياء الدوائية في المراحل المبكرة من تطوير الأدوية. ولا يختبر المعيار قدرة النموذج على الإجابة عن أسئلة نظرية فحسب، بل يحاكي قرارات بحثية تتطلب قراءة البنية الجزيئية، وفهم نتائج التجارب، والموازنة بين خصائص دوائية متعارضة.

تفاصيل الخبر

يتكوّن المعيار من 99 مسألة مستمدة من 117 ورقة بحثية وبراءة اختراع، وتغطي 761 بنية جزيئية مختلفة. وتُمنح النماذج في معظم المهام معلومات متاحة عادة خلال برنامج بحثي قائم، مثل الهدف البيولوجي، وخصائص المركبات التي جرى اختبارها، ونتائج القياسات السابقة، ثم يُطلب منها تفسير الأدلة أو اقتراح الخطوة التالية.

يقيس MedChemBench أربع مهارات رئيسية: إعادة بناء الجزيئات من الرسوم والمكوّنات الكيميائية، تفسير النتائج العلمية، ترتيب المركبات واختيار الأنسب منها، والتنبؤ بخصائص رقمية أو تصنيفات مرتبطة بسلوك المركب. ويشمل ذلك عناصر دقيقة مثل الروابط بين الذرات، وبنية الحلقات، والترتيب الفراغي، وهي تفاصيل قد يؤدي الخطأ فيها إلى تحليل جزيء مختلف عن الجزيء الأصلي.

وتبرز أهمية هذا الاختبار من طبيعة المفاضلات التي تواجه الكيميائيين أثناء تحسين المركبات. فقد يؤدي تعديل صغير إلى زيادة قوة الارتباط بهدف مرضي، لكنه قد يضعف امتصاص المركب أو نفاذه إلى الخلايا أو يجعله يتحلل بسرعة أكبر في الجسم. لذلك لا يكفي العثور على مركب فعال في اختبار واحد، بل يجب تقييم مجموعة من الخصائص قبل تقرير ما إذا كان يستحق الانتقال إلى تجربة جديدة.

في أحد أمثلة المعيار، طُلب من النموذج توقع سلوك مركبات مرتبطة بمثبطات لبروتين PRMT5، وهو هدف حاضر في أبحاث اكتشاف أدوية السرطان. أظهرت النتائج اللاحقة أن أحد المركبين كان أقوى داخل الخلايا، بينما امتاز مركب آخر بقدرة أفضل على عبور حاجز خلوي وبقاء أطول أمام إنزيمات الكبد. ويختبر المثال قدرة النموذج على التعامل مع هذه المفاضلة بدل افتراض أن المركب الأفضل في خاصية واحدة هو الأفضل إجمالًا.

أظهرت التقييمات أن النماذج كانت أقوى في إعادة بناء البنى الجزيئية وشرح الأدلة التجريبية، في حين ظلت مهمة اختيار المركبات والتنبؤ بالقيم العددية أكثر صعوبة. ووفق النتائج المنشورة، حقق نموذج GPT-6.2 Astra نسبة 84.5% من النقاط المتاحة عند إعداد استدلال مرتفع، مقابل 83.3% لنموذج GPT-6 Astra و82.0% لـGPT-6.1 Sol و58.2% لـGPT-5.6 Sol ضمن المقارنة المعلنة.

تتضمن الاختبارات أمثلة على أخطاء جوهرية، مثل إعادة بناء حلقة جزيئية بعدد ذرات أقل أو فصل أجزاء يفترض أن تكون متصلة. هذه الأخطاء لا تمثل اختلافًا شكليًا في الإجابة، لأنها تغيّر هوية المركب الذي يعتمد عليه التحليل اللاحق. كما تشير النتائج إلى أن زيادة جهد الاستدلال حسّنت الأداء عمومًا، لكنها لم تلغِ الفجوة بين فهم البنية واتخاذ قرار موثوق بشأن المركب التالي.

تؤكد OpenAI أن MedChemBench لا يثبت قدرة النماذج على اكتشاف أدوية جديدة أو تحسين قرارات المختبر في العالم الحقيقي. فالاختبار يعتمد على حالات تاريخية منشورة، ولا يسمح للنموذج باستخدام أدوات أو طلب تجارب إضافية أو الاستفادة من ملاحظات متتابعة. كذلك لا يمكن استبعاد احتمال تعرض بعض النماذج سابقًا لمصادر استُخدمت في بناء المسائل.

يمثل المعيار خطوة نحو تقييم أكثر واقعية للذكاء الاصطناعي في اكتشاف الأدوية، لأنه يختبر الجمع بين الصور الجزيئية والبيانات التجريبية والقرارات متعددة القيود في مهمة واحدة. وستظل قيمة هذه النماذج مرتبطة بقدرتها على العمل مع بيانات موثوقة، وإظهار حدود التنبؤ، وترك التحقق النهائي للتجارب المخبرية والباحثين المتخصصين.

هل تثق في اقتراحات الذكاء الاصطناعي لاختيار مركبات دوائية، أم تفضّل أن تبقى هذه القرارات بيد الباحثين فقط؟

شاركنا رأيك في التعليقات
العودة إلى جميع الأخبار

التعليقات

٠

كن أول من يشارك رأيه في هذا الخبر.