← أحدث الأبحاث
🧬 biology

Monroe: A Molecular Foundation Model for In-Context Probabilistic Inference

تقدم هذه الورقة البحثية "مونرو" (Monroe)، وهو نموذج تأسيسي جزيئي قابل للتوسع تم تدريبه على 81 مليون جزيء مع تمثيلات كيميائية فراغية محسنة وأهداف تدريب مبتكرة، والذي يحقق أداءً هو الأفضل في فئته في التنبؤ بنشاط الاختبار الحيوي من خلال الاستفادة من نموذج ملائم للبيانات المسبقة (TabPFN) للاستدلال الاحتمالي في السياق، ويُظهر أن استراتيجية التكيف اللاحقة هذه تعمل أيضاً على تحسين النماذج الحالية بشكل كبير مثل "ميني مول" (MiniMol) و"كيميليون" (CheMeleon).

المؤلفون الأصليون: Blazej Banaszewski, Andrew W. Fitzgibbon

نُشر 2026-08-20
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Blazej Banaszewski, Andrew W. Fitzgibbon

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل

في السباق لاكتشاف أدوية جديدة، يواجه العلماء عقبة مستعصية: الطريقة الأكثر موثوقية لمعرفة ما إذا كان الجزيء سيعالج مرضاً ما هي بناؤه واختباره في المختبر. هذه العملية بطيئة، ومكلفة، ومحدودة بعدد المرافق المتخصصة التي يمكنها إجراء هذه التجارب. وبسبب ذلك، غالباً ما تكون البيانات المتاحة لتدريب البرامج الحاسوبية شحيحة. وللتغلب على ذلك، لجأ الباحثون إلى استراتيجية تشبه كيفية تعلم الطفل التعرف على الحيوانات قبل رؤية كلب أو قطة محددة. فقد قاموا بتدريب نماذج حاسوبية ضخمة على مكتبات هائلة من الهياكل الكيميائية وخصائصها الفيزيائية الأساسية، مما يعلم البرنامج حساً عاماً بكيفية سلوك الجزيئات. وبمجرد بناء هذا الأساس، يمكن تعديل النموذج للتنبؤ بالنتائج البيولوجية المحددة، مثل ما إذا كان المركب سيرتبط بفيروس ما، حتى عندما تتوفر نتائج تجريبية قليلة جداً لتلك المهمة المحددة. تهدف هذه الطريقة، المعروفة باسم نموذج التأسيس الجزيئي، إلى سد الفجوة بين العالم اللامتناهي من المواد الكيميائية الممكنة والبيانات المحدودة لاختبار الأدوية في العالم الحقيقي.

قدم فريق من الباحثين نموذجاً جديداً يسمى "مونرو" (Monroe)، والذي يمثل خطوة كبيرة للأمام في هذا المجال. يحمل الاسم تكريماً لإليزابيث مونرو بوجز، وهي رائدة في الكيمياء الحاسوبية، ولكن النموذج نفسه هو نظام تعلم آلي حديث مصمم لفهم اللغة المعقدة للجزيئات. درب الباحثون "مونرو" على مجموعة بيانات ضخمة تحتوي على أكثر من 81 مليون جزيء، وهو مقياس أكبر بكثير من المحاولات السابقة. تضمنت مجموعة البيانات هذه حسابات كيمياء كمية مفصلة، والتي تصف طاقة وبنية الذرات، بالإضافة إلى بيانات من آلاف المقايسات البيولوجية التي تقيس كيفية تفاعل الجزيئات مع الأنظمة الحية. ومن خلال تعريض النموذج لهذا التنوع الهائل من المعلومات، مكن الباحثين النموذج من تعلم القواعد العامة للكيمياء التي تنطبق على أنواع مختلفة من المشكلات، بدلاً من مجرد حفظ أمثلة محددة.

أحد الابتكارات الأكثر أهمية في "مونرو" هو كيفية تعامله مع الشكل ثلاثي الأبعاد للجزيئات، وتحديداً "يدويّتها" (handedness). فالعديد من الجزيئات توجد في شكلين هما صور مرآتية لبعضهما البعض، تماماً مثل اليد اليسرى واليفتى. وبينما تمتلك هذه الصور المرآتية نفس الذرات المتصلة بنفس الترتيب، إلا أنها غالباً ما تتصرف بشكل مختلف تماماً في جسم الإنسان؛ فقد يكون أحدها دواءً، بينما قد تكون صورته المرآتية سامة. غالباً ما تعاني النماذج الحاسوبية القياسية في التمييز بين هذه النسخ لأنها تعتمد على أوصاف رياضية تبدو متطماثلة لكلا الشكلين. يحل "مونرو" هذه المشكلة عن طريق إضافة روابط إضافية صراحة في خريطته الداخلية للجزيء تعمل كعلامات لهذه الاختلافات المرآتية. وهذا يسمح للنموذج بالتمييز بين الشكلين بدقة عالية، وهي قدرة ضرورية للتنبؤ بكيفية عمل الدواء فعلياً في النظام البيولوجي.

قام الباحثون أيضاً بتحسين كيفية تعلم النموذج من بيانات التدريب الخاصة به. فبدلاً من معاملة كل مهمة تعلم كأنها متساوية الأهمية، يستخدم "مونرو" نظام وزن ذكي يقوم بالتعديل تلقائياً لتركيزه. فهو يولي اهتماماً أكبر للمهام التي تكون فيها البيانات واضحة وموثوقة، واهتماماً أقل بالمهام التي تكون مشوشة أو غير مؤكدة. علاوة على ذلك، يتم تدريب النموذج على تنقية البيانات غير المكتملة. في العالم الحقيقي، غالباً ما تكون الأشكال ثلاثية الأبعاد للجزيئات المستخدمة في المحاكاة الحاسوبية تقريبات خشنة. يتعلم "مونرو" أخذ هذه الأشكال الخشنة وتكريرها إلى أشكال أكثر دقة واستقراراً، وهي عملية تساعد النموذج على فهم القواعد الفيزيائية الأساسية التي تحكم الاستقرار الجزيئي. هذه القدرة على "إزالة الضجيج" من البيانات تعزز تنبؤاته للتطبيقات في العالم الحقيقي.

عند اختباره مقابل النماذج الرائدة الأخرى، أظهر "مونرو" أداءً فائقاً، لا سيما في السيناريوهات الأكثر تحدياً المعروفة باسم "منحدرات النشاط" (activity cliffs). وهي حالات تكون فيها جزيئان متطابقان تقريباً في البنية ولكن لهما تأثيرات بيولوجية مختلفة جذرياً. التنبؤ بهذه الاختلافات الحادة أمر صعب للغاية بالنسبة للذكاء الاصطناعي، ومع ذلك تفوق "مونرو" على منافسيه في هذه الاختبارات. وجد الباحثون أيضاً أن طريقتهم في تكييف النموذج مع المهام الجديدة كانت فعالة للغاية. فبدلاً من إعادة تدريب النموذج بالكامل لكل هدف دوائي جديد، استخدموا تقنية تسمه بتعلم قاعدة جديدة من مجموعة صغيرة من الأمثلة في خطوة واحدة، تماماً كما يمكن للإنسان تعلم قاعدة جديدة بعد رؤية أمثلة قليلة فقط. أثبت هذا النهج، الذي طبقوه ليس فقط على "مونرو" بل وأيضاً لتحسين نموذجين آخرين موجودين، أنه استراتيجية قوية وعامة.

تخلص الدراسة إلى أن الجمع بين التدريب المسبق واسع النطاق والتحسينات الهيكلية المحددة، مثل التعامل الأفضل مع اليدوية الجزيئية وتوزين البيانات الذكي، يخلق أداة أكثر قوة لاكتشاف الأدوية. ورغم أن النموذج لا يحل كل مشكلة في التنبؤ الجزيئي، وأن تحدي "منحدرات النشاط" لا يزال صعباً، إلا أن "مونرو" يضع معياراً جديداً لما هو ممكن. إنه يوضح أنه من خلال تعليم الحواسيب فهماً أعمق وأكثر دقة للبنية والسلوك الكيميائي، يمكن للعلماء بناء أدوات تكون مجهزة بشكل أفضل للتنقل في المشهد الواسع والمعقد للأدوية المحتملة، مما قد يسرع الرحلة من فكرة كيميائية إلى علاج منقذ للحياة.

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 🧬 q-bio →