← أحدث الأبحاث
🔬 physics

RetroDFM-R: Reasoning-Driven Retrosynthesis Prediction with Large Language Models via Reinforcement Learning

يُعد RetroDFM-R نموذج لغة كبيرًا معززًا بالتعلم التعزيزي يعمل على تحسين التنبؤ بالتخليق الرجعي الكيميائي من خلال الجمع بين الدقة العالية والاستدلال الشفاف خطوة بخطوة، مما يعالج أوجه القصور في القدرة على التعميم والتفسير مع التفوق على النماذج المرجعية الرائدة في المعايير القياسية.

المؤلفون الأصليون: Situo Zhang, Hanqi Li, Lu Chen, Zihan Zhao, Xuanze Lin, Zichen Zhu, Danyu Luo, Bo Chen, Xin Chen, Kai Yu

نُشر 2026-08-25
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Situo Zhang, Hanqi Li, Lu Chen, Zihan Zhao, Xuanze Lin, Zichen Zhu, Danyu Luo, Bo Chen, Xin Chen, Kai Yu

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

لطالما اعتمد الكيميائيون على خريطة ذهنية لبناء جزيئات جديدة، وهي عملية تسمى "التخليق الرجعي" (retrosynthesis). فبدلاً من البدء من المواد الخام ومحاولة مزجها للوصول إلى المنتج النهائي، يعملون بشكل عكسي من الجزيء المكتمل، متسائلين عن القطع الأبسط التي كان يمكن دمجها لإنشائه. يشبه الأمر إلى حد كبير النظر إلى منزل مكتمل ومعرفة أي الطوب والعوارض والأنابيب استُخدمت في بنائه، ثم تتبع تلك المواد وصولاً إلى مصادرها الأصلية. يعد هذا الهندسة العكسية العمود الفقري لاكتشاف الأدوية وعلوم المواد، مما يسمح للعلماء بتصميم مسارات فعالة لإنشاء مركبات معقدة. ولعقود من الزمن، حاولت الحواسيب المساعدة في هذه المهمة، لكنها كانت تعمل غالباً كـ "صناديق سوداء"، حيث تقدم قائمة بالمكونات دون شرح المنطق الكامن وراء الاختيار. وقد جعل هذا النقص في الشفافية من الصعب على الخبراء البشريين الوثوق باقتراحات الآلة أو فهم سبب اختيار مسار معين دون غيره.

يقدم بحث جديد نظاماً يسمى "RetroDFM-R"، صُمم لتغيير كيفية تعامل الحواسيب مع هذا اللغز الكيميائي. فبدلاً من مجرد التخمين للخطوة التالية، يستخدم هذا النظام نموذج لغة ضخماً — وهو نوع من الذكاء الاصطناعي المدرب على كميات هائلة من النصوص — للتفكير في المشكلة خطوة بخلو. لقد درب الباحثون النموذج على مجموعة ضخمة من التفاعلات الكيميائية، ليس فقط لتعليمه التنبؤ بالمواد الأولية، بل لتعليمه أيضاً شرح تفكيره بلغة بسيطة. يقوم النظام بتحليل الجزيء المستهدف، وتحديد السمات الهيكلية الرئيسية، ثم بناء حجة منطقية لكيفية تفكيكه، تماماً كما يفعل الكيميائي البشري. يجمع هذا النهج بين القدرة على التعامل مع البيانات المعقدة ووضوح الاستدلال البشري، مما يجعل قرارات الكمبيوتر مرئية ومفهومة.

اختبر الفريق هذا النظام الجديد على معيار قياسي يحتوي على خمسين ألف تفاعل كيميائي معروف. وفي هذه الاختبارات، حدد النموذج المواد الأولية للجزيء المستهدف بنسبة نجاح بلغت ستين بالمائة دون أي مساعدة إضافية، وستة وستين بالمائة عند استخدام مجموعة كاملة من الأدوات لاستكشاف احتمالات متعددة. وقد تجاوز هذا الأداء الطرق المتطورة السابقة، والتي كانت تكافح للوصول إلى هذه المستويات من الدقة. والأهم من ذلك، أن النظام لم يكتفِ بالحصول على الإجابة الصحيحة فحسب؛ بل قدم تفسيراً مكتوباً واضحاً لكل قرار. وعندما راجع الخبراء البشريون اقتراحات النموذج، وجدوا أن الاستدلال سليم كيميائياً، وغالباً ما فضلوا المسارات التي اقترحها النموذج على تلك التي أنتجتها الأنظمة القديمة. وأشار الخبراء إلى أن النموذج يمكنه اقتراح كواشف وظروف تفاعل محددة، مما يقدم رؤى عملية تتجاوز مجرد قائمة المكونات.

كما أظهر الباحثون أن النظام يمكنه التعامل مع سيناريوهات واقعية معقدة، بما في ذلك تخليق أدوية صيدلانية فعلية ومواد متخصصة تُستخدم في الخلايا الشمسية. في إحدى الحالات، نجح النموذج في إعادة بناء مسار تخليق مكون من خمس خطوات لدواء لعلاج السرطان، محدداً التحولات الكيميائية الصحيحة في كل مرحلة. وفي حالة أخرى، رسم مسار إنشاء جزيء مصمم لتعزيز الجهاز المناعي ضد السرطان. وحتى عندما ارتكب النموذج خطأً، مثل تحديد نوع خاطئ من الروابط الكيميائية، كان الخطأ مرئياً في تفسيره المكتوب، مما سمح للبشر برصده وتصحيحه فوراً. تمثل هذه الشفافية تحولاً كبيراً عن الأدوات السابقة، التي ربما كانت تنتج نتيجة خاطئة دون أي إشارة إلى مكان فشل المنطق.

ولتحقيق هذا المستوى من الأداء، استخدم الباحثون عملية تدريب مكونة من ثلاث مراحل. أولاً، قاموا بتغذية النموذج بمجموعة بيانات منسقة تضم ملايين الأمثلة الكيميائية لبناء أساس قوي من المعرفة الكيميائية. بعد ذلك، استخدموا تقنية تسمى "التقطير" لتعليم النموذج كيفية هيكلة أفكاره، وتوجيهه لإنتاج سرد متماسك قبل إعطاء الإجابة. أخيراً، استخدموا طريقة التعلم التعزيزي، حيث يتم مكافأة النموذج ليس فقط للحصول على الإجابة الصحيحة، بل لتقديم عملية استدلال منطقية كيميائياً ومتسقة مع تنبؤه النهائي. سمح هذا المزيج من البيانات، والتفكير المنظم، والتغذية الراجعة للنموذج بتعلم الفروق الدقيقة في التخليق الكيميائي بطريقة تشبه الاستنتاج البشري أكثر من مجرد مطابقة الأنماط الإحصائية.

تشير الدراسة إلى أنه من خلال جعل عملية الاستدلال صريحة، يمكن للذكاء الاصطناعي أن يصبح شريكاً أكثر موثوقية للعلماء. النظام لا يحل محل الكيميائي، بل يعمل كمساعد شفاف يمكنه اقتراح المسارات، وشرح خياراته، وتسليط الضوء على المشكلات المحتملة. وبينما لا يعد النموذج مثالياً ويمكنه لا يزال إنتاج تفسيرات كيميائية خاطئة، فإن قدرته على توضيح منطقه تجعل منه أداة قوية لتسريع تصميم الأدوية والمواد الجديدة. وكما لاحظ الباحثون، فإن الهدف ليس مجرد التنبؤ بمستقبل التخليق، بل جعل المسار نحو ذلك المستقبل واضحاً ومفهوماً للبشر الذين سيسلكونه.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🔬 physics →