Do LLM Proposers Improve Budgeted Search for Ionizable Lipids?

في السباق لتوصيل الأدوية المنقذة للحياة إلى جسم الإنسان، يعتمد العلماء على فقاعات متناهية الصغر تشبه الدهون تُسمى الجسيمات النانوية الدهنية. تعمل هذه الفقاعات كمركبات واقية، تحمل تعليمات جينية هشة إلى الخلايا التي تحتاج إليها. ويكمن مفتاح جعل هذه المركبات تعمل في مكون محدد: الدهون القابلة للتأين. وهي جزيئات دهنية خاصة يمكنها تغيير شحنتها الكهربائية اعتماداً على بيئتها، مما يسمح لها بالانفتاح وإطلاق حمولتها بمجرد دخولها إلى الخلية. إن تصميم هذه الدهون لغز معقد؛ إذ يمكن للكيميائيين خلط ومطابقة وحدات بناء كيميائية مختلفة لإنشاء الملايين من المرشحين المحتملين، لكن اختبار كل واحد منها في المختبر عملية بطيئة، ومكلفة، ومحدودة بعدد التجارب التي يمكن إجراؤها في آن واحد. والتحدي الرئيسي لا يقتصر فقط على إيجاد دهون جيدة، بل في إيجاد الأفضل قبل نفاد الميزانية.

لسنوات، أمل الباحثون أن الذكاء الاصطناعي، وتحديداً النماذج اللغوية الكبيرة، يمكنه حل هذا اللغز بشكل أسرع من الطرق التقليدية. فهذه البرامج الحاسوبية، المدربة على كميات هائلة من النصوص والبيانات، بارعة في رصد الأنماط وتوليد أفكار جديدة. وكانت الفكرة هي أن الذكلاً الاصطناعي يمكن أن يعمل كشريك إبداعي، يقترح هياكل دهنية مبتكرة قد لا تخطر على بال البشر أبداً، مما يسرع من اكتشاف أدوية أفضل. ومع ذلك، لم تكن هناك حتى الآن طريقة صارمة لاختبار ما إذا كانت أنظمة الذكاء الاصطناعي هذه أفضل بالفعل في المهمة المحددة المتمثلة في البحث عن جزيئات جديدة تحت قيود زمنية وموارد صارمة. تقدم دراسة جديدة إطار عمل يسمى (LEAF) للإجابة على هذا السؤال مباشرة، حيث تضع الذكاء الاصطناعي في مواجهة خوارزميات حاسوبية راسخة في مواجهة عادلة ومنضبطة لمعرفة من يمكنه إيجاد الدهون الأكثر فعالية أولاً.

قام الباحثون بإعداد مختبر رقمي لمحاكاة عملية الاكتشاف. لقد أنشأوا مساحة افتراضية شاسعة تحتوي على أكثر من 30,000 هيكل دهني محتمل، مبني من مجموعة محددة من وحدات البناء الكيميائية. وللمحاكاة لتكلفة العالم الحقيقي في الاختبار، فرضوا ميزانية صارمة: لا يمكن للبحث أن "يسأل" إلا عن أداء 40 مرشحاً فقط. وفي هذه المحاكاة، تم تحديد الأداء الحقيقي لكل دهن بواسطة نموذج حاسوبي ثابت تم تدريبه على بيانات تجريبية حقيقية، ليعمل كحكم مثالي وغير متغير. كان الهدف هو معرفة أي طريقة — الذكاء الاصطناعي أم البحث الحاسوبي الكلاسيكي — يمكنها تحديد الدهون الأعلى أداءً ضمن تلك المحاولات الأربعين. اختبرت الدراسة أربعة نماذج لغوية كبيرة مختلفة، تتراوح من الأحجام الصغيرة إلى الكبيرة، وقارنتها بخطين أساسيين قياسيين: البحث العشوائي، الذي يختار المرشحين بالصدفة، والخوارزمية الجينية، وهي تقنية حاسوبية كلاسيكية تطور الحلول بمرور الوقت عبر خلط وطفرات أفضل المرشحين الذين تم العثور عليهم حتى الآن.

كانت النتائج واضحة وغير متوقعة. فعلى الرغم من الضجيج المحيط بالذكاء الاصطناعي، لم يتفوق أي من النماذج اللغوية على الطرق التقليدية. وفي الواقع، عانى نماذج الذكاء الاصطناعي بشكل كبير من عدم كفاءة محددة: فقد استمرت في اقتراح دهون سبق اختبارها أو كانت مطابقة تقريباً لما هو موجود في ذاكرتها. وبالنسبة لأحد النماذج الأصغر، كانت ما يقرب من 80% من اقتراحاته عبارة عن نسخ مكررة تماماً من جزيئات رآها بالفعل. وهذا يعني أن جزءاً كبيراً من الميزانية الثمينة قد أُهدر في تكرار العمل نفسه. وحتى عندما حاول الباحثون إصلاح ذلك عبر إجبار النماذج على تجنب التكرار، فشل الذكاء الاصطناعي في إيجاد حلول أفضل من الخوارزمية الجينية البسيطة أو البحث العشوائي. كانت النماذج الأكبر حجماً ترتكب أخطاء أقل فيما يتعلق بالتكرار، لكنها لم تصبح أفضل في إيجاد الدهون الأفضل؛ بل اكتفت ببساطة بالتوقف عن تكرار نفسها دون اكتساب أي ميزة حقيقية.

تعمقت الدراسة لفهم سبب فشل الذكاء الاصطناعي. فحص الباحثون ما إذا كانت النماذج تستخدم بالفعل المعلومات المقدمة إليها، مثل درجات أداء الدهون السابقة، لتوجيه اقتراحاتها التالية. ووجدوا أنه بينما يمكن توجيه النماذج للنظر في هذه البيانات، فإن القيام بذلك لم يحسن نتائج البحث الخاصة بها. وفي بعض الاختبارات، تم تزويد النماذج بمعلومات خاطئة حول أي الدهون كانت جيدة، ومع ذلك فشلت في تعديل استراتيجيتها بفعالية. بدا أن الذكاء الاصطناعي يتفاعل مع البيانات بطريقة سطحية، حيث يولد نصوصاً استدلالية تبدو ذكية ولكنها لا تترجم إلى اكتشافات كيميائية أفضل. كما فحصت الدراسة أفضل الدهون التي وجدتها كل طريقة. وبينما وجد الذكاء الاصطناعي بعض الهياكل الواعدة، إلا أنها لم تكن أفضل باستمرار من تلك التي وجدتها الخوارزميات الأقدم والأبسط. كانت الخوارزمية الجينية والبحث العشوائي على نفس القدر من الجودة في إيجاد دهون عالية الأداء ضمن الميزانية الضيقة.

لا يشير هذا البحث إلى أن الذكاء الاصطناعي ليس له مكان في الكيمياء، ولكنه يقدم تشخيصاً ملموساً لمواطن قصور النماذج الحالية (zero-shot) في هذه المهمة المحددة. لم يكن الفشل ناتجاً عن نقص في ذكاء النماذج، بل عن نقص في الكفاءة في كيفية استخدام مواردها المحدودة. تسلط الدراسة الضوء على أنه في مجال حيث لكل تجربة قيمتها، لا يكفي مجرد امتلاك ذكاء اصطناعي قوي؛ بل يجب أن يكون النظام قادراً على اقتراح أفكار جديدة حقاً دون إضاعة الوقت في التكرار. وخلص الباحثون إلى أنه في ظل ظروف خاضعة للرقابة ومع ميزانية ثابتة، لم تقدم النماذج اللغوية المختبرة أي تحسن على الطرق الكلاسيكية. إن المسار الأكثر كفاءة لإيجاد دهون أفضل، على الأقل في الوقت الحالي، يظل هو الخوارزميات التقليدية المثبتة التي تم صقلها على مدى عقود، بدلاً من الجيل الأحدث من الذكاء الاصطناعي التوليدي.