DocuStore: Domain Constrained Retrieval Augmented Generation for Drug Discovery Documents
تقدم الورقة البحثية DocuStore، وهي بنية توليد مدعومة بالاسترجاع مقيدة بالمجال تدمج الهياكل الجزيئية والكيانات البيولوجية لتحسين دقة الإجابة على الأسئلة واسترجاع الأدلة في وثائق اكتشاف الأدوية بشكل كبير، كما تم التحقق من ذلك من خلال معيار DocQABench الجديد.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
في عالم اكتشاف الأدوية عالي المخاطر، يولد العلماء مكتبة ضخمة ومتنامية من الوثائق. هذه ليست مجرد تقارير بسيطة؛ بل هي مجموعات معقدة من النصوص، والجداول البيانية، والرسوم الكيميائية المرسومة يدويًا، والقياسات الدقيقة لمدى فعالية دواء محتمل ضد هدف مرضي معين. لعقود من الزمن، اعتمد الباحثون على هذه الملفات لتذكر المركبات التي اختبروها، والنتائج التي حصلوا عليها، وكيف ترتبط الجزيئات المختلفة ببعضها البعض. ومع ذلك، مع انفجار حجم هذه المعلومات، أصبح العثون على دليل محدد أمرًا صعبًا بشكل متزايد. فأنظمة البحث الحاسوبية التقليدية، التي تعمل عبر مطابقة المعنى العام للكلمات، غالبًا ما تعاني في هذا المجال. إذ يمكنها العثور على فقرة تذكر اسمًا كيميائيًا، لكنها قد تخطئ في العثور على الرقم المحدد الذي يصف قوة ذلك الكيميائي إذا ظهر في جدول أو رسم توضيحي. كما قد تخلط بين كيميائيين مختلفين يتشابهان في النطق، أو تفشل في الربط بين رسم لجزيء وبين النص الذي يصف سلوكه. هذه الفجوة بين الطريقة التي يفهم بها البشر الأدلة العلمية والطريقة التي تبحث بها الحواسيب، أصبحت تشكل عقبة كبيرة، مما يبطئ عملية تحويل الأفكار العلمية إلى أدوية جديدة.
ولسد هذه الفجوة، طور فريق من الباحثين في جامعة تكساس إيه آند إم (Texas A&M University) وشركة بانوراما جلوبال (Panorama Global) نظامًا جديدًا يسمى "دوكي ستور" (DocuStore). وبدلاً من معاملة وثائق اكتشاف الأدوية ككتل نصية بسيطة، صُمم هذا النظام لفهم اللغة الخاصة بالكيمياء والأحياء. فقد بنى الباحثون عملية تقرأ هذه الوثائق وتستخرج منها بفاعلية أهم القطع المعلوماتية: الأشكال الفعلية للجزيئات، وأسماء الأهداف البيولوجية، والأرقام الدقيقة التي تقيس مدى فعالية الدواء. والأهم من ذلك، أن النظام يربط كل هذه القطع المختلفة ببعضها البعض؛ فهو يدرك أن الرسم التوضيحي لجزيء ما، وتسمية نصية مثل "المركب 25أ" (Compound 25a)، ومدخلًا في جدول يظهر قياسًا محددًا، كلها تشير إلى نفس الكيان الواحد. ومن خلال إنشاء هذه الروابط قبل بدء عملية البحث، يضمن النظام أنه عندما يطرح عالم سؤالًا، يسترجع الحاسوب الدليل الصحيح، بغض النظر عما إذا كان هذا الدليل قد كُتب في الأصل كجملة، أو رقم، أو صورة.
اختبر الباحثون هذا النهج الجديد مقابل طريقة بحث قياسية باستخدام مجموعة مُعدة بعناية مكونة من 1,093 سؤالًا بناءً على عروض تقديمية حقيقية في الكيمياء الطبية. تراوحت هذه الأسئلة من طلبات بسيطة، مثل "ما هي قوة هذا المركب المحدد؟" إلى استفسارات أكثر تعقيدًا تتطلب مقارنة البيانات عبر مستندات متعددة ومختلفة. وأظهرت النتائج تحسنًا واضحًا وجوهريًا؛ فعند استخدام الطريقة القياسية، قدم الحاسوب الإجابة الصحيحة لحوالي 47 بالمائة فقط من الأسئلة. أما مع نظام "دوكي ستور"، فقد قفز معدل النجاح إلى 75 بالمائة. ولعل الأمر الأكثر دلالة هو قدرة النظام على العثور على الدليل الفعلي اللازم للإجابة على السؤال؛ حيث وجدت الطريقة القياسية المستندات الداعمة الضرورية لـ 42 بالمائة فقط من الأسئلة، بينما نجح "دوكي ستور" في تحديد الدليل الكامل لـ 87 بالمائ@. وهذا يشير إلى أن النظام لا يقوم بمجرد التخمين بشكل أفضل، بل إنه يجد المعلومات الصحيحة بشكل أساسي في كثير من الأحيان.
وتتجلى قوة هذا النظام الجديد بوضوح أكبر عندما يُعرض السؤال والإجابة بتنسيقات مختلفة. فعلى سبيل المثال، إذا طرح باحث سؤالًا باستخدام رسم كيميائي (بنية جزيئية)، بينما كانت الإجابة مخبأة في وصف نصي لمركب ذي رمز محدد، فإن أدوات البحث القياسية غالبًا ما تفشل في إجراء هذا الربط، إذ ترى الصورة والكلمة كشيئين غير مرتبطين. أما "دوكي ستور"، فيقوم بترجمة الصورة إلى رمز رقمي يمكنه مطابقته مع النص. وفي الاختبارات التي طُرح فيها السؤال في شكل بنية كيميائية، وجد النظام الجديد الإجابة الصحيحة بنسبة 80 بالمائة، بينما تمكنت الطريقة القياسية من تحقيق أقل من 20 بالمائة. إن هذه القدرة على الترجمة بين الطرق المختلفة لتمثيل الحقيقة العلمية نفسها تسمح للنظام باسترجاع أدلة قد تظل غير مرئية للحاسوب.
وعلاوة على مجرد العثور على الصفحة الصحيحة، فقد حسن النظام أيضًا كيفية صياغة الحاسوب للإجابة النهائية. فعندما ينجح النظام في استرجاع الدليل الصحيح، فإنه يستخدم تلك المعلومات لإنشاء استجابة دقيقة ومدعومة بالاستشهادات. ووجد الباحثون أن النظام كان أقل عرضة للتخمين أو الاعتراف بالهزيمة عندما لا يعرف الإجابة؛ فبدلاً من الاستسلام أو تقديم استجابة غامضة، كان قادرًا على تركيب نقاط البيانات المحددة التي وجدها. وهذا أمر بالغ الأهمية في مجال يمكن أن تؤدي فيه الإجابة الخاطئة إلى هدر الوقت والموارد. كما أظهر النظام قدرة على التعامل مع الأسئلة المتابعة في سياق المحادثة، حيث يتذكر سياق الاستعلام السابق للإجابة على سؤال جديد حول نفس المركب دون الحاجة إلى تكرار التفاصيل من قبل المستخدم.
كما سلطت الدراسة الضوء على المجالات التي لا تزال تواجه فيها المنظومة تحديات، لا سيما عندما يتطلب السؤال دمج معلومات من مستندات عديدة لإجراء عملية حسابية أو مقارنة معقدة. ورغم أن النظام أصبح أفضل بكثير في العثور على قطع الأدلة الفردية عبر تقارير متعددة، إلا أن الخطوة النهائية المتمثلة في تجميع تلك القطع للوصول إلى إجابة كاملة ومحسوبة ظلت صعبة. وهذا يشير إلى أنه بينما حل النظام مشكلة تحديد موقع المعلومات الصحيحة، فإن الخطوة التالية تتمثل في تعليم الحاسوب كيفية إجراء الاستنتاج المعقد المطلوب لدمج تلك المعلومات. ومع ذلك، فإن النتائج تثبت أن دمج المعرفة الكيميائية المحددة في طريقة بحث الحواسيب وفهمها للمستندات يمكن أن يحسن أداءها بشكل كبير. فمن خلال التعامل مع الأدلة العلمية كشبكة مترابطة من البنيات والأسماء والأرقام بدلاً من مجرد نصوص، نجح الباحثون في ابتكار أداة تقرب قدرات البحث الحاسوبي من الطريقة التي يفكر ويعمل بها العلماء البشر بالفعل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.