🤖 AI

AgentDrug: Utilizing Large Language Models in An Agentic Workflow for Zero-Shot Molecular Editing

يُعد AgentDrug سير عمل وكيلِيّاً يستخدم حلقة تحسين متداخلة —تجمع بين التحقق الكيميائي المعلوماتي والتغذية الراجعة القائمة على التدرج— لتحسين دقة التحرير الجزيئي بنمط الصفر (zero-shot) باستخدام النماذج اللغوية الكبيرة بشكل كبير.

المؤلفون الأصليون: Khiem Le, Ting Hua, Nitesh V. Chawla

نُشر 2026-02-10

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Khiem Le, Ting Hua, Nitesh V. Chawla

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك رئيس طهاة ماهر يحاول إتقان وصفة عائلية سرية لشوربة ما. الشوربة جيدة، لكنها مالحة قليلاً، وتريد جعلها أكثر قواماً وكريمة، مع الحرص في الوقت نفسه على أن تظل تشبه الطبق الأصلي. لا يمكنك ببساطة إضافة مجموعة مختلفة تماماً من المكونات؛ بل يجب عليك "تعديل" ما هو موجود بالفعل في القدر.

في عالم الطب، يقوم العلماء بالشيء نفسه تماماً مع الجزيئات. لديهم "وصفة" (جزيء) قد تحارب مرضاً ما، ولكنها قد تكون أيضاً سامة للغاية أو لا تُمتص جيداً في الجسم. إنهم بحاجة إلى "ضبط التوابل" لجعلها دواءً مثالياً.

يقدم هذا البحث AgentDrug، وهو "مساعد طاهٍ" يعمل بالذكاء الاصطناعي، صُمم للقيام بتعديل الجزيئات هذا بإتقان.

المشكلة: الذكاء الاصطناعي "الطباخ الأخرق"

قبل ظهور AgentDrug، كان استخدام الذكاء الاصطناعي (مثل ChatGPT) لتعديل الجزيئات يشبه طلب إصلاح شوربة من طباخ مبتدئ. عادة ما كان يسوء أمر شيئين:

مشكلة الهلوسة: كان الذكاء الاصطناعي يحاول إضافة مكون غير موجود، مثل "ضوء النجوم السائل"، مما يجعل الوصفة مستحيلة الاتباع. في الكيمياء، كان الذكاء الاصطناعي يقترح بنية جزيئية مستحيلة في العالم الحقيقي.
مشكلة التغذية الراجعة الغامضة: إذا كانت الشوربة لا تزال مالحة جداً، كان يُقال للذكاء الاصطناعي فقط: "إنها ليست مضبوطة"، فيبدأ بالتخبط بلا هدف، وأحياناً يجعل الأمر أسوأ.

الحل: نظام "الحلقتين" الخاص بـ AgentDrug

لا يكتفي AgentDrug بمجرد تخمين واحد ثم يتوقف، بل يستخدم طريقة تفكير متطورة مكونة من طبقتين:

1. الحلقة الداخلية: "اختبار التذوق" (إصلاح الأخطاء)

فكر في هذا كأنه مشرف مطبخ صارم. في كل مرة يقترح فيها الذكاء الاصطناعي تغييراً، يقوم أداة متخصصة (مثل ميزان حرارة رقمي أو شريط قياس الحموضة pH) بفحصه فوراً. إذا اقترح الذكاء الاصطناعي جزيئاً مستحيلاً، فإن المشرف لا يقول "لا" فحسب؛ بل يقول: "لقد نسيت إغلاق الحلقة في ذلك الجزيء!" أو "هذه الذرة لديها روابط كثيرة جداً!". ثم يقوم الذكاء الاصطناعي بإصلاح هذا الخطأ المحدد فوراً قبل محاولة تحسين النكهة حتى. هذا يضمن أن "الوصفة" دائماً صحيحة كيميائياً.

2. الحلقة الخارجية: "دليل نظام تحديد المواقع GPS" (تحسين الجودة)

بمجرد أن تصبح الوصفة صالحة، يحتاج الذكاء الاصطناعي فعلياً إلى جعلها أفضل. وبدلاً من مجرد قول "اجعلها أفضل"، يستخدم AgentDrug أداتين قويتين:

إشارة التدرج (البوصلة): بدلاً من النصائح الغامضة، يحصل الذكاء الاصطناعي على "بوصلة" رياضية. يُقال له: "أنت على بُعد 0.5 وحدة من الملوحة المثالية؛ عليك التحرك في هـذا الاتجاه". هذا يعطي الذكاء الاصطناعي شعوراً واضحاً بالمقدار والاتجاه.
الجزيء المثال (الوصفة المرجعية): يبحث الذكاء الاصطناعي في كتاب طهي ضخم (قاعدة بيانات) ليجد جزيئاً مشابهاً جداً للجزيء الحالي ولكن لديه بالفعل الخصائص المثالية. يستخدم هذا كـ "ورقة غش" لتوجيه تعديلاته.

لماذا يهم هذا الأمر (النتائج)

اختبر الباحثون AgentDrug باستخدام "أدمغة" مختلفة (نماذج لغوية كبيرة مثل Qwen و Llama). كانت النتائج مبهرة:

إنه أكثر دقة بكثير: يحقق الخصائص المستهدفة (مثل جعل الجزيء أكثر قابلية للذوبان أو أقل سمية) بشكل أكبر بكثير من الطرق السابقة.
إنه سيد التوازن: يمكنه تحسين خصائص الجزيء دون تغيير كليته بحيث يصبح مادة مختلفة تماماً. إنه يحافظ على "روح" الجزيء الأصلي سليمة.
إنه يتعامل مع التعقيد: يمكنه إدارة عدة أهداف في وقت واحد — مثل جعل الدواء أكثر فعالية وأكثر أماناً في آن واحد — وهو التحدي الأكبر في الطب.

الملخص

يحول AgentDrug الذكاء الاصطناعي من "طباخ أخرق" إلى "شيف جزيئي محترف". من خلال الجمع بين مشرف صارم للإمساك بالأخطاء (الحلقة الداخلية) مع بوصلة رياضية وكتاب طهي مرجعي (الحلقة الخارجية)، يمكنه تعديل لبنات الحياة بدقة للمساعدة في اكتشاف أدوية المستقبل.

ملخص تقني: AgentDrug

AgentDrug: استخدام النماذج اللغوية الكبيرة في سير عمل وكيل (Agentic Workflow) لتعديل الجزيئات بنمط التعلم الصفري (Zero-Shot)

1. بيان المشكلة

تعد عملية تعديل الجزيئات هي عملية تعديل البنية الكيميائية لتحسين خصائص معينة (مثل الذوبانية، أو السمية، أو ألفة الارتباط) مع الحفاظ على التشابه الهيكلي مع الجزيء الأصلي. وهذا مهمة بالغة الأهمية في اكتشاف الأدوية.

تواجه النهج الحالية عدة عقبات:

التعلم الخاضع للإشراف التقليدي: يتطلب مجموعات بيانات ضخمة وموسومة لأزواج الجزيئات (الأصلي مقابل المُحسَّن)، والتي يصعب الحصول عليها وتكلفتها عالية.
التلقين المباشر للنماذج اللغوية الكبيرة (LLM Prompting): بينما يمكن للنماذج اللغوية الكبيرة استخدام اللغة الطبيعية لاقتراح التعديلات، إلا أنها تعاني من انخفاض الدقة و"الهلوسة الجزيئية" (Molecular Hallucination)—أي توليد سلاسل SMILES غير صالحة كيميائياً.
أطر الحوار الحالية (مثل ChatDrug): تستخدم هذه الأطر تغذية راجعة عامة (مثل "الجزيء خاطئ")، وهو ما يفتقر إلى الدقة اللازمة لتوجيه النموذج نحو أهداف خصائص محددة، وغالباً ما تفشل في حل مشكلة عدم الصلاحية الهيكلية بفعالية.

2. المنهجية

يقترح المؤلفون AgentDrug، وهو سير عمل وكيل (Agentic Workflow) يستخدم حلقة تحسين متداخلة (Nested Refinement Loop) لتحسين كل من الصلاحية الكيميائية وملف الخصائص للجزيء بشكل منهجي.

الحلقة الداخلية (تحسين الصلاحية):
لمكافحة الهلوسة، يستخدم AgentDrug مجموعة أدوات المعلوماتية الكيميائية (RDKit) للتحقق من صحة سلسلة SMILES المولدة. إذا كانت السلسلة غير صالحة، يقوم النظام باستخراج رسائل خطأ التحليل (ParseError) المحددة (مثل: حلقة غير مغلقة، خطأ في التكافؤ، مشكلات في العطرية) ويقوم بتغذيتها مرة أخرى إلى النموذج اللغوي الكبير. هذه العملية التي تشبه "تصحيح الأخطاء" (Debugging) تجبر النموذج على تصحيح البنية تكرارياً حتى تصبح صالحة كيميائياً.
الحلقة الخارجية (تحسين الخصائص):
بمجرد أن يصبح الجزيء صالحاً، توجه الحلقة الخارجية النموذج اللغوي الكبير نحو الهدف المنشود باستخدام إشارتين متخصصتين:
1. التغذية الراجعة العامة: لغة طبيعية تشير إلى ما إذا كان قد تم استيفاء عتبة الخاصية أم لا.
2. إشارة التدرج الصريح ( $\nabla p$ ): إشارة رياضية تشفر كلاً من الاتجاه (زيادة/نقصان) ومقدار التغيير المطلوب. وهي تعمل مثل "صعود التدرج" (Gradient Ascent) في اللغة الطبيعية، مما يوفر توجيهاً قابلاً للتنفيذ للنموذج اللغوي الكبير.
الاسترجاع في سياق النص (In-Context Retrieval):
يقوم AgentDrug باسترجاع "جزيء مستهدف" ( $m_e$ ) من قاعدة بيانات يكون جزيئاً مشابهاً للجزيء الحالي ويستوفي الخاصية المطلوبة. يتم تقديم هذا الجزيء للنموذج اللغوي كنموذج في سياق النص لتوضيح كيف يبدو التعديل الناجح.

3. المساهمات الرئيسية

حلقة متداخلة وكيلة (Agentic Nested Loop): بنية مبتكرة تفصل بين التحقق الهيكلي (الحلقة الداخلية) وتحسين الخصائص (الحلقة الخارجية).
التلقين الموجه بالتدرج (Gradient-Guided Prompting): تجاوز اللغة الطبيعية الغامضة من خلال توفير اتجاه ومقدار عددي صريح لتغيرات الخصائص.
تكامل الاسترجاع القوي: من خلال ضمان الصلاحية الجزيئية في الحلقة الداخلية، يجعل AgentDrug عملية استرجاع الأمثلة في سياق النص أكثر موثوقية وتأثيراً بشكل كبير.
القدرة على التعلم الصفري (Zero-Shot Capability): لا تتطلب هذه الطريقة أي تدريب خاص بالمهمة، مما يجعلها عالية القابلية للتوسع عبر مختلف الأهداف الكيميائية.

4. النتائج

قيم المؤلفون AgentDrug باستخدام عدة نماذج لغوية كبيرة (Qwen-2.5 و Llama-3.1) عبر مهام تعديل الخصائص الفردية والمتعددة (LogP، TPSA، QED) مع عتبات فضفاضة وصارمة.

زيادات كبيرة في الدقة:
- باستخدام Qwen-2.5-7B، حسن AgentDrug دقة الخاصية الواحدة بنسبة تصل إلى 29.0% ودقة الخصائص المتعددة بنسبة تصل إلى 14.9% مقارنة بالنماذج المرجعية.
- حتى النموذج الأصغر Qwen-2.5-3B أظهر تحسينات جوهرية (تصل إلى 28.9% في مهام الخاصية الواحدة).
التفوق على النماذج المرجعية: تفوق AgentDrug باستمرار على "التلقين العادي" (Vanilla Prompting)، وChatDrug، وحتى نموذج REINVENT القائم على التعلم المعزز.
الكفاءة والتشابه: حقق AgentDrug توازناً أفضل بين دقة التعديل والحفاظ على التشابه الهيكلي (كما هو موضح في مخططات الدقة مقابل التشابه)، مما يعني أنه يحسن الخصائص دون "تدمير" هوية الجزيء الأصلي.
رؤى الاستبعاد (Ablation Insights): الحلقة الداخلية حاسمة لتقليل الهلوسة، وإشارة التدرج الصريح ضرورية لتوجيه النموذج نحو الأهداف المعقدة.

5. الأهمية

يمثل AgentDrug تحولاً من معاملة النماذج اللغوية الكبيرة كمجرد مولدات نصوص بسيطة إلى معاملتها كـ وكلاء استدلال (Reasoning Agents) قادرين على التفاعل مع أدوات علمية متخصصة. من خلال سد الفجوة بين الاستدلال باللغة الطبيعية والمعلوماتية الكيميائية الرسمية، يوفر AgentDrug إطار عمل قابلاً للتوسع وبنمط التعلم الصفري لتحسين الرصاص (Lead Optimization) في اكتشاف الأدوية، مما قد يقلل من الوقت والتكلفة المرتبطين بعمليات التكرار اليدوية في الكيمياء الطبية.