🤖 AI

Molecular Representations for AI in Chemistry and Materials Science: An NLP Perspective

يوفر هذا البحث دليلاً للباحثين في مجال معالجة اللغات الطبيعية والعلماء في المجالات المتداخلة حول التمثيلات الجزيئية الرقمية الشائعة المستوحاة من معالجة اللغات الطبيعية وتطبيقاتها في الكيمياء وعلوم المواد القائمة على الذكاء الاصطناعي.

المؤلفون الأصليون: Sanjanasri JP, Pratiti Bhadra, N. Sukumar, Soman KP

نُشر 2026-03-09

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Sanjanasri JP, Pratiti Bhadra, N. Sukumar, Soman KP

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 تحاول تعليم روبوت فائق الذكاء كيف يصبح كيميائياً بارعاً. أنت تريد من الروبوت ابتكار أدوية جديدة، أو ابتكار مواد أقوى، أو اكتشاف كيفية علاج الأمراض. ولكن هناك مشكلة ضخمة: الروبوتات لا تتحدث "لغة الكيمياء".

البشر ينظرون إلى الجزيء ويرون شكلاً ثلاثي الأبعاد مكوناً من ذرات متصلة بروابط. أما الروبوت، فهو لا يفهم سوى الأرقام والأنماط. لكي تعلم الروبوت، يجب أن تترجم لغة الجزيئات إلى لغة يمكنه قراءتها. هذه الورقة البحثية هي في الأساس قاموس ودليل إرشادي حول كيفية القيام بهذا النوع من الترجمة، باستخدام أفكار مستعارة من كيفية فهم الحواسيب للغة البشر.

إليك تفصيل الورقة البحثية باستخدام تشبيهات بسيطة:

١. المشكلة الكبرى: "الكون الكيميائي" واسع جداً

تخيل أن "الكون الكيميائي" (كل الجزيئات الممكنة التي يمكن أن توجد) يشبه مكتبة تحتوي على تريليونات الكتب.

الطريقة القديمة: في الماضي، كان على العلماء البشر السير عبر هذه المكتبة، واختيار كتاب، وقراءته، وتخمين ما إذا كان دواءً جيداً أم لا. هذه عملية بطيئة، ومكلفة، ولا يمكنهم فيها فحص سوى جزء ضئيل جداً من الكتب.
الطريقة الجديدة (الذكاء الاصطناعي): نريد استخدام الذكاء الاصطناعي (AI) لمسح المكتبة بأكملها في ثوانٍ. ولكن لكي يقرأ الذكاء الاصطناعي هذه الكتب، يجب أن تُكتب الكتب بشفرة يفهمها.

٢. التشبيه: الجزيئات هي جمل

تقدم الورقة مقارنة عبقرية:

الذرات تشبه الحروف.
الجزيئات تشبه الكلمات أو الجمل.
الخصائص الكيميائية تشبه معنى الجملة.

تماماً كما أن تغيير حرف واحد في كلمة يغير معناها (مثل "قط" مقابل "بط")، فإن تغيير ذرة واحدة في جزيء يمكن أن يحول دواءً منقذاً للحياة إلى سم قاتل. يحتاج الذكاء الاصطناعي إلى فهم "قواعد النحو" لهذه الجمل الكيميائية للتنبؤ بما ستفعله.

٣. "اللغات" المختلفة (التمثيلات)

تراجع الورقة الطرق المختلفة التي نحاول بها كتابة هذه الجمل الكيميائية للحواسيب.

أ. أسلوب "الرسائل النصية" (المعتمد على النصوص)

هنا نقوم بتحويل جزيء ثلاثي الأبعاد إلى سطر من النص، مثل كلمة مرور طويلة.

SMILES (الرسالة النصية القديمة):
- ماهيتها: طريقة شائعة لكتابة الجزيئات كسلسلة من الحروف والأرقام (مثل CC(CC1=CC2=C(C=C1)OCO2)NC).
- العيب: الأمر يشبه كتابة قصة مع نسيان علامات الترقيم. أحياناً يمكن كتابة نفس الجزيء بـ ١٠ طرق مختلفة، مما يربك الذكاء الاصطناعي. وأحياناً، قد يكتب الذكاء الاصطناعي "جملة" تبدو حقيقية ولكنها مستحيلة فيزيائياً (مثل سيارة بثلاث عجلات). إنها عرضة للأخطاء المطبعية والغموض.
InChI (بطاقة الهوية الرسمية):
- ماهيتها: رمز صارم للغاية ومعياري وضعه العلماء لضمان أن يكون لكل جزيء معرف فريد.
- العيب: إنها تشبه عقداً قانونياً. هي مثالية للبحث في قاعدة بيانات، لكنها طويلة ومملة جداً ليتعلم منها الذكاء الاصطناعي بسرعة. يصعب قراءتها وهي ثقيلة حسابياً.
DeepSMILES (الرسالة النصية المطورة):
- ماهيتها: نسخة أحدث من SMILES مصممة لإصلاح "الأخطاء المطبعية" والتعامل مع الأشكال ثلاثية الأبعاد بشكل أفضل.
- العيب: لا تزال جديدة نوعاً ما وليس الجميع يستخدمها بعد.
SELFIES (الرسالة النصية المنيعة):
- ماهيتها: الطريقة الأحدث والأكثر قوة. فكر فيها كلغة حيث كل جملة يمكنك كتابتها هي جزيء حقيقي وصالح. لا يمكنك حرفياً ارتكاب خطأ مطبعي يؤدي إلى إنشاء جزيء مكسور. إنها بمثابة "شبكة الأمان" للذكاء الاصطناعي.

ب. أسلوب "المخطط الهندسي" (المعتمد على الرسوم البيانية/الغراف)

بدلاً من سطر نصي، تخيل رسم خريطة.

ماهيته: الذرات هي نقاط (عقد)، والروابط هي خطوط (حواف) ترب بينها. يتم تحويل هذا غالباً إلى مصفوفة (شبكة من الأرقام).
التشبيه: إذا كان SMILES هو وصف مكتوب لمنزل، فإن الرسم البياني (Graph) هو المخطط الهندسي للمعماري.
الميزة: إنه يلتقط الشكل ثلاثي الأبعاد والاتصالات بشكل مثالي. وهو رائع لمهام الذكاء الاصطناعي المعقدة مثل "التعلم بنقل المعرفة" (تعليم الذكاء الاصطناعي شيئاً واحداً ثم السماح له بتطبيق تلك المعرفة على شيء آخر).
العيب: إنه يستهلك الكثير من ذاكرة الكمبيوتر، مثل صورة عالية الدقة مقابل ملف نصي.

٤. كيف يستخدم الذكاء الاصطناعي هذه اللغات

بمجرد ترجمة الجزيئات إلى هذه التنسيقات، يبدأ الذكاء الاصطناعي بالعمل:

Mol2Vec: يقرأ الذكاء الاصطناعي "الكلمات" (أجزاء الجزيئات) ويتعلم أن كلمات معينة غالباً ما تأتي معاً، تماماً كما تظهر كلمات مثل "ساخن" و"قهوة" معاً في النصوص.
الذكاء الاصطناعي التوليدي (Generative AI): يمكننا تدريب الذكاء الاصطناعي على كتابة "جمل كيميائية" جديدة. تخيل ذكاءً اصطناعياً يكتب "وصفة" جديدة لدواء لم يوجد من قبل، ولكننا نعلم أنه سيعمل لأنه يتبع قواعد النحو (مثل SELFIES).

٥. الخاتمة: لا توجد لغة مثالية بعد

تخلص الورقة إلى أنه لا توجد طريقة واحدة "مثالية" لتمثيل الجزيء.

السلاسل النصية (SMILES/SELFIES) سهلة القراءة ورائعة لتوليد أفكار جديدة.
الرسوم البيانية/المخططات (Graphs/Blueprints) أكثر دقة لفهم الأشكال المعقدة.

الخلاصة:
تماماً كما نستخدم أدوات مختلفة لمهام مختلفة (مطرقة للمسامير، ومفك للبراغي)، يجب على العلماء اختيار "اللغة" المناسبة للمهمة المحددة للذكاء الاصطناعي. ومن خلال الجمع بين هذه الأساليب، نحن نعلم الحواسيب التحدث بلغة الكيمياء، مما يسرع اكتشاف الأدوية والمواد الجديدة من سنوات إلى أيام.

إليك ملخص تقني مفصل لورقة البحث "التمثيلات الجزيئية للذكاء الاصطناائي في الكيمياء وعلوم المواد: منظور معالجة اللغات الطبيعية" من إعداد سانجاناسري جي بي وآخرون.

1. بيان المشكلة

تعالج الورقة البحثية العقبة الحرجة في الكيمياء المعلوماتية الحديثة وعلوم المواد: الافتقار إلى تمثيل موحد، وقابل للقراءة آلياً، وصالح كيميائياً للجزيئات بما يتوافق مع نماذج الذكاء الاصطناعي (AI) والتعلم العميق (DL) المتقدمة.

التحدي: يعتمد اكتشاف الأدوية وتصميم المواد التقليدي بشكل كبير على المعرفة الخبيرة والدمج اليدوي لـ "القطع الكيميائية"، وهي عملية بطيئة ومكلفة وغالباً ما تسفر عن مركبات ذات خصائص غير مرغوب فيها أو غير قابلة للتصنيع.
الفجوة: بينما أحدث الذكاء الاصطناعي ثورة في مجالات عديدة، فإن تطبيقه في الكيمياء يعوقه تعقيد تمثيل الهياكل الجزيئية ثلاثية الأبعاد، والكيمياء الفراغية (Stereochemistry)، وقيود التكافؤ في تنسيق يمكن للخوارزميات معالجته.
قياس معالجة اللغات الطبيعية (NLP): يرى المؤلفون أنه يمكن معاملة الجزيئات كـ "لغات" حيث الذرات هي "كلمات" والهياكل الجزيئية هي "جمل". ومع ذلك، وعلى عكس اللغة الطبيعية، يجب أن تلتزم التمثيلات الجزيئية بصرامة بالقوانين الفيزيائية والكيميائية (مثل قواعد التكافؤ)، وهو ما تفشل تقنيات معالجة النصوص القياسية غالباً في ضمانه.

2. المنهجية وإطار العمل

تقدم الورقة مراجعة شاملة وتحليلاً مقارناً لتقنيات التمثيل الجزيئي، وتصنفها إلى مجالين رئيسيين مستوحيين من معالجة اللغات الطبيعية (NLP): التمثيل القائم على السلاسل النصية (String-Based) والتمثيل القائم على الرسوم البيانية (Graph-Based).

أ. التمثيلات القائمة على السلاسل النصية

تُشفر هذه الطرق الجزيئات كسلاسل نصية خطية (ASCII)، مما يسمح بالتطبيق المباشر لتقنيات معالجة اللغات الطبيعية مثل تضمينات الكلمات (Word Embeddings)، والشبكات العصبية المتكررة (RNNs)، والمحولات (Transformers).

نظام SMILES (نظام إدخال خطي مبسط للمدخلات الجزيئية):
- الآلية: يستخدم قواعد لغوية (LL1) لتشفير الذرات، والروابط، والتفرعات (الأقواس)، وإغلاق الحلقات (الأرقام).
- العيوب:
  - الغموض: يمكن أن يكون للجزيء الواحد عدة سلاسل SMILES صالحة (غير قياسية)، مما يسبب عدم اتساق البيانات.
  - الكيمياء الفراغية: غالباً ما يفشل نظام SMILES القياسي في التمييز بين المتصاوغات الضوئية (Enantiomers R/S).
  - الصلاحية: يمكن للنماذج التوليدية إنتاج "أخطاء دلالية" (هياكل مستحيلة كيميائياً) أو "أخطاء نحوية" (قواعد غير صالحة) عند توليد سلاسل SMILES جديدة.
InChI (المعرف الكيميائي الدولي):
- الآلية: تنسيق طبقي معياري طورته الجمعية الدولية للكيمياء البحتة والتطبيقية (IUPAC). يتضمن طبقة رئيسية للطوبولوجيا/الكيمياء الفراغية وطبقة ثابتة للهيدروجين.
- العيوب: غالباً ما تكون السلاسل طويلة جداً، ومكلفة حوسبياً للتحليل، وأقل قابلية للقراءة من قبل البشر.
- مفتاح InChI: نسخة مشفرة (Hash) مكونة من 27 حرفاً تُستخدم لفهرسة قواعد البيانات، لكنها تفقد التفاصيل الهيكلية المطلوبة للذكاء الاصطناعي التوليدي.
DeepSMILES:
- الآلية: تعديل لنظام SMILES مصمم لإصلاح المشكلات النحوية. يستخدم فقط أقواس الإغلاق للتفرعات ورمزاً واحداً لأحجام الحلقات.
- العيوب: رغم أنه يقلل الأخطاء النحوية، إلا أنه لا يزال يعاني من مشاكل الصلاحية الدلالية (توليد جزيئات مستحيلة فيزيائياً) ويفتقر إلى المعيارية مقارنة بـ SMILES.
SELFIES (السلاسل المضمنة ذات المرجع الذاتي):
- الآلية: تمثيل قائم على القواعد اللغوية صُمم لضمان صلاحية كيميائية بنسبة 100%. فهو يتعامل صراحة مع التفرع، والحلقات، وقيود التكافؤ.
- الميزة: على عكس SMILES، فإن أي سلسلة عشوائية يتم توليدها ضمن قواعد SELFIES تقابل جزيئاً صالحاً، مما يجعلها مثالية لنماذج الذكاء الاصطناعي التوليدي (مثل VAEs وGANs).

ب. التمثيلات القائمة على الرسوم البيانية (Graphs)

تعامل هذه الطرق الجزيئات كرسوم بيانية $G = (V, E)$ حيث الذرات هي عقد (Nodes) والروابط هي حواف (Edges).

الآلية: تُمثل عبر مصفوفات التجاور (Adjacency Matrices)، أو مصفوفات المسافة، أو مصفوفات الاتصال.
المزايا: تلتقط بشكل طبيعي الطوبولوجيا ثلاثية الأبعاد، والكيمياء الفراغية، وأنواع الروابط دون قيود الخطية التي تفرضها السلاسل النصية.
العيوب: استهلاك عالٍ للذاكرة وافتقار لخاصية عدم التغير بالتبديل (Permutation Invariance) -أي أن ترتيب العقد في المصفوفة قد يتغير بناءً على خوارزميات التتبع- وإن كانت الشبكات العصبية الرسومية (GNNs) تعالج هذه المشكلة بشكل متزايد.

3. المساهمات الرئيسية

مراجعة متمحورة حول معالجة اللغات الطبيعية: تؤطر الورقة البحثية التمثيل الجزيئي بشكل فريد من خلال عدسة باحث في معالجة اللغات الطبيعية، حيث ترسم أوجه تشابه مباشرة بين تضمينات الكلمات والتضمينات الجزيئية.
التحليل المقارن النقدي: تقيم الورقة بشكل منهجي المقايضات بين SMILES وInChI وDeepSMILES وSELFIES، مع تسليط الضوء تحديداً على الصلاحية (النحوية مقابل الدلالية) كعنصر تمييز أساسي لتطبيقات الذكاء الاصطناعي.
تحديد "فجوة الصلاحية": يؤكد المؤلفون أنه بينما يعد SMILES هو المعيار الصناعي، فإن عدم قدرته على ضمان مخرجات صالحة كيميائياً يجعله غير مثالي لمهام الذكاء الاصطناعي التوليدية، في حين أن SELFIES يحل هذه المشكلة تحديداً.
رسم خرائط التطبيقات: تربط الورقة بين أنواع تمثيل محددة وأكثر تطبيقات الذكاء الاصطناعي فعالية لها (على سبيل المثال، SMILES للتصنيف، وSELFIES/الرسوم البيانية للتوليد).

4. النتائج والتطبيقات المناقشة

تراجع الورقة عدة تطبيقات متطورة للذكاء الاصطناعي تستفيد من هذه التمثيلات:

Mol2Vec: يكيّف خوارزمية Word2Vec لتعامل الأجزاء الجزيئية (Fragments) ككلمات، مما ينشئ تضمينات متجهية تلتقط التشابه الكيميائي. وقد تفوق على البصمات التقليدية في مجموعات البيانات الاختبارية.
Smiles2vec: يستخدم الشبكات العصبية المتكررة (RNNs) لتعلم التمثيلات من رموز (Tokens) SMILES للتنبؤ بالخصائص الجزيئية.
التعلم بنقل المعرفة (Transfer Learning) في تصميم الأدوية: تصف سير عمل حيث يتم تدريب الشبكات العصبية المتكربة (RNNs) أولاً على مجموعات بيانات SMILES عامة ضخمة لتعلم القواعد النحوية، ثم ضبطها بدقة (Fine-tuning) على مجموعات بيانات محددة لتحسين الرصاصات الدوائية وتوليد مرشحات دوائية جديدة.
Graph2SMILES: يستخدم نماذج المحولات (Transformers) ومشفرات الرسوم البيانية للتغلب على قيود SMILES في تصوير الهياكل المعقدة، مستفيداً من خاصية عدم التغير بالتبديل في الرسوم البيانية.

5. الأهمية والخاتمة

جسر بين التخصصات: تعمل الورقة كدليل حيوي لباحثي معالجة اللغات الطبيعية الداخلين إلى مجال الكيمياء، حيث تشرح كيفية ترجمة المفاهيم اللغوية (الرموز، التضمينات، القواعد) إلى سياقات كيميائية.
الاتجاه المستقبلي: يخلص المؤلفون إلى أنه بينما تمتلك كل من التمثيلات المصفوفية (الرسوم البيانية) والنصية مزاياها، فإن التمثيلات القائمة على الرسوم البيانية هي الأفضل لالتقاط التفاصيل الهيكلية المعقدة ثلاثية الأبعاد، بينما يعد SELFIES الخيار الأمثل للنماذج التوليدية القائمة على السلاسل بسبب ضمان الصلاحية.
الأثر: من خلال اعتماد تمثيلات قوية مثل SELFIES والشبكات العصبية الرسومية، يمكن للمجال الانتقال من مرحلة "التجربة والخطأ" في اكتشاف الأدوقات التقليدي نحو استكشاف فعال مدفوع بالذكاء الاصطناعي للفضاء الكيميائي الشاسع (تريليونات الجزيئات الممكنة)، مما يسرع اكتشاف أدوية ومواد جديدة.

باختصار، تجادل الورقة بأن مستقبل الذكاء الاصطناعي في الكيمياء يكمن في الابتعيد عن التنسيقات القديمة مثل SMILES في المهام التوليدية، واعتماد قواعد لغوية تضمن الصلاحية (SELFIES) أو شبكات عصبية قائمة على الرسوم البيانية لضمان أن الجزيئات المولدة بواسطة الذكاء الاصطناعي ليست صحيحة نحوياً فحسب، بل قابلة للتحقق كيميائياً أيضاً.