Towards practical molecular structure elucidation: A lightweight multi-spectral CNN-Transformer framework

لطالما اعتمد الكيميائيون على مجموعة من الأدوات لمعرفة شكل الجزيء بمجرد الاستماع إلى كيفية اهتزازه أو كيفية استجابة ذراته للمجالات المغناطيسية. هذه الأدوات، المعروفة باسم التحليل الطيفي، تنتج أنماطًا معقدة من الخطوط والقمم التي تعمل كبصمة فريدة لكل مادة كيميائية. ولعقود من الزمن، حاول العلماء تعليم الحواسيب قراءة هذه البصمات ورسم الهيكل الجزيئي المقابل فورًا، وهي عملية تسمى تحديد البنية. وبينما تطلبت المحاولات المبكرة قدرًا هائلاً من المساعدة البشرية وبيانات إضافية لكي تنجح، كان الهدف دائمًا هو إنشاء نظام يمكنه النظر إلى طيف خام وإخبارك ببساطة بشكل الجزيء، تمامًا كما يفعل الخبير البشري، ولكن بسرعة واتساق مثاليين.

لقد بنى فريق من الباحثين الآن نوعًا جديدًا من البرامج الحاسوبية يقترب من هذا الهدف أكثر من أي وقت مضى، باستخدام طريقة لا تتطلب سوى القليل من المساعدة الخارجية. فبدلاً من تغذية الحاسوب بقائمة من الإجابات المحتملة أو إضافة حقائق كيميائية إضافية لتوجيهه، ترك الباحثون الآلة تنظر مباشرة إلى البيانات الخام من ثلاثة أنواع مختلفة من التحليل الطيفي: الضوء تحت الأحمر، وضوء رامان، والرنين المغناطيسي النووي. لقد صمموا نظامًا خفيف الوزن يجمع بين نوعين قويين من الذكاء الاصطناعي؛ الجزء الأول يعمل مثل مرشح (فلتر)، حيث يمسح الخطوط الخام للطيف للعثور على الأنماط المهمة، أما الجزء الثاني فيعمل كمترجم، يأخذ تلك الأنماط ويكتبها في شكل سلسلة نصية تصف شكل الجزيء. هذا التنسيق النصي، المعروف باسم سلسلة SMILES، هو طريقة قياسية يستخدمها الكيميائيون لكتابة الهياكل بحيث تستطيع الحواسيب قراءتها.

النتائج التي حققها هذا النظام الجديد قوية بشكل مفاجئ. فعند اختباره على بيانات محاكاة، تمكن النموذج من تحديد بنية الجزيء بشكل صحيح من طيف الأشعة تحت الحمراء فقط بنسبة 69 بالمائة تقريبًا. وعندما استخدم طيف رامان وحده، ارتفدت الدقة إلى ما يقرب من 78 بالمائة. وكانت بيانات الرنين المغناطيسي النووي وحدها أقل فائدة، حيث أصابت الإجابة الصحيحة بنسبة 38 بالمائة تقريبًا. ومع ذلك، عندما دمج الباحثون الأنواع الثلاثة من البيانات، أصبح النظام دقيقًا للغاية، حيث أصاب الهيكل الصحيح بنسبة 84 بالمائة من المحاولة الأولى. وإذا سمح الباحثون للحاسوب بتقديم خمس تخمينات واختيار الأفضل بينها، فقد ارتفع معدل النجاح إلى أكثر من 96 بالمائة. وتمثل هذه الأرقام قفزة نوعية لأن النظام حققها دون استخدام أي بيانات معالجة مسبقًا، أو صيغ كيميائية، أو قواعد بيانات خارجية لاستخلاص الإجابة.

ولجعل النظام أفضل، أضاف الباحثون خطوة تدريب خاصة علمت الحاسوب ما لا يجب فعله. فبعد أن قدم النموذج تخميناته الأولية، نظر الباحثون في الأخطاء التي ارتكبها وأظهروا له تلك الأخطاء مرة أخرى، مع توجيهه لتجنب تلك المسارات الخاطئة المحددة في المستقبل. هذه العملية، التي يسمونها "الضبط الدقيق لعدم الاحتمالية" (unlikelihood fine-tuning)، دفعت الدقة إلى مستويات أعلى. فعلى سبيل المثال، عند استخدام جميع الأطياف الثلاثة معًا، أصبح تخمين النموذج الأعلى صحة بنسبة 84.23 بالمائة، وإذا سُمح لخمس تخمينات، كانت النتيجة صحيحة بنسبة 96.27 بالمائة. حدث هذا التحسن دون إضافة أي معرفة كيميائية جديدة، مما يثبت أن النموذج تعلم ببساطة أن يكون أكثر حذرًا من خلال دراسة إخفاقاته السابقة.

كما استغرق الباحثون الوقت لفهم كيفية تفكير الحاسوب، حيث نظروا داخل "الصندوق الأسود" لمعرفة أي أجزاء من البيانات كانت أكثر أهمية. واكتشفوا أن طيف رامان كان الدليل الأكثر أهمية، حيث حمل الوزن الأكبر في مساعدة الحاسوب على اتخاذ القرار بشأن الشكل العام للجزيء. وكان طيف الأشعة تحت الحمراء هو الثاني من حيث الأهمية، بينما لعب الرنين المغناطيسي النووي دورًا أصغر. ومن المثير للدهشة أن الحاسوب لم يعامل مصادر البيانات الثلاثة بالتساوي في كل خطوة؛ بل بدا أنه يستخدم بيانات رامان لبناء الهيكل الرئيسي للجزيء، ثم يستخدم بيانات الأشعة تحت الحمراء لتحديد مجموعات ذرية معينة، وأخيرًا يستخدم بيانات الرنين المغناطيسي النووي للتحقق من الروابط.

كان هناك اكتشاف مثير للاهتمام بشكل خاص يتعلق بكيفية تعامل الحاسوب مع الخطوة الأولى من تفكيره. يبدأ النظام بتوليد رمز بدء خاص، يعمل كعلامة لإخبار بقية البرنامج بنوع الجزيء الذي يبحث عنه. ووجد الباحثون أن رمز البدء هذا يميز بفعالية بين الجزيئات التي تشكل حلقة مغلقة وتلك التي هي مجرد سلاسل مفتوحة. فقبل أن يبدأ الحاسوب في كتابة الهيكل الكامل، يكون هذا المبدأ الأول قد قرر بالفعل ما إذا كان الجزيء دائريًا أم خطيًا، مما يعمل كمرساة عالمية توجه العملية بأكملها. تشير هذه الرؤية إلى أن النموذج قد تعلم قاعدة أساسية في الكيمياء: الشكل العام للجزيء يحدد كيفية ترابط أجزائه.

لم يتوقف الفريق عند البيانات المحاكاة فحسب؛ بل اختبروا نظامهم على أطياف تجريبية من العالم الحقيقي من قواعد بيانات كيميائية قياسية. وحتى مع البيانات الفوضوية وغير المثالية الموجودة في المختبرات الحقيقية، كان أداء النموذج جيدًا. ففي مجموعة بيانات تضم آلاف أطياف الأشعة تحت الحمراء الحقيقية، حدد النظام الهيكل بشكل صحيح من المحاولة الأولى بنسبة 22 بالمائ % تقريبًا، وتحسنت النسبة إلى أكثر من 38 بالمائة عند السماح بخمس تخمينات. ورغم أن هذا أقل من الأداء على البيانات المحاكاة المثالية، إلا أنه يثبت أن النظام يمكنه التعامل مع الضجيج والتعقيد الموجود في العالم الحقيقي. وأشار الباحثون إلى أن النظام لا يزال يواجه صعوبات في مهام معينة صعبة، مثل عد عدد ذرات الكربون بالضبط في سلسلة طويلة، وهو ما يظل تحديًا لأي طريقة تعتمد فقط على هذه الأطياف.

يُظهر هذا العمل أنه من الممكن بناء أداة قوية لتحديد المواد الكيميائية تعتمد بالكامل تقريبًا على البيانات الخام نفسها، بعيدًا عن القيود الثقيلة للطرق السابقة. ومن خلال الجمع بين بنية بسيطة وفعالة وطريقة ذكية للتعلم من الأخطاء، نجح الباحثون في إنشاء نظام يضع معيارًا جديدًا للدقة. وتشير النتائج إلى أنه بينما قد لا نملك بعد آلة مثالية يمكنها حل كل لغز جزيئي فورًا، فإننا نتحرك نحو مستقبل يمكن فيه للحواسيب قراءة لغة الضوء والمغناطيسية بوضوح يضاهي الخبراء البشريين، مما يوفر مسارًا موثوقًا وقابلًا للتفسير للتحليل الكيميائي.