هوش مصنوعی
معیار ToxiMol توانایی مدل‌های چندوجهی را در کاهش سمیت مولکول‌ها می‌سنجد
پژوهشگران با معرفی مجموعه‌داده‌ای شامل ۶۶۰ مولکول سمی و ۱۱ وظیفه، ارزیابی منظم مدل‌های زبانی چندوجهی بزرگ در اصلاح ساختار مولکول‌ها را ممکن کرده‌اند؛ اما این مدل‌ها هنوز با چالش‌های مهمی روبه‌رو هستند.
پژوهشگران در مقاله‌ای که در arXiv منتشر شده، ToxiMol را به‌عنوان نخستین معیار سنجش توانایی مدل‌های زبانی چندوجهی بزرگ (MLLM) در «ترمیم سمیت مولکولی» معرفی کرده‌اند؛ یعنی تولید جایگزین‌هایی با ساختار معتبر و سمیت کمتر. به‌گفتهٔ نویسندگان، این مسئله تاکنون به‌طور نظام‌مند تعریف و ارزیابی نشده بود، هرچند سمیت همچنان یکی از دلایل اصلی شکست داروها در مراحل اولیهٔ توسعه است.
ToxiMol مجموعه‌داده‌ای استاندارد با ۱۱ وظیفهٔ اصلی و ۶۶۰ مولکول سمی را در بر می‌گیرد که سازوکارها و سطوح متفاوتی دارند. تیم پژوهش همچنین روشی برای حاشیه‌نویسی دستورها طراحی کرده که از دانش سم‌شناسی بهره می‌گیرد و با سازوکارهای سمیت و نوع وظیفه سازگار می‌شود.
برای سنجش نتیجه‌ها، پژوهشگران چارچوب خودکار ToxiEval را ساخته‌اند. این چارچوب پیش‌بینی نقاط پایانی سمیت را با ارزیابی امکان‌پذیری سنتز، شباهت به دارو و شباهت ساختاری ترکیب می‌کند. آن‌ها ۴۳ مدل عمومی چندوجهی را بررسی کردند و با آزمایش‌های تکمیلی، معیارهای ارزیابی، تنوع گزینه‌های پیشنهادی و شناسایی علت شکست‌ها را نیز سنجیدند.
نتایج نشان می‌دهد مدل‌های بررسی‌شده هنوز در این کار با دشواری‌های جدی روبه‌رو هستند؛ بااین‌حال، نشانه‌هایی از توانایی در فهم سمیت، رعایت محدودیت‌های معنایی و ویرایش آگاه از ساختار بروز می‌دهند. مقاله در کنفرانس KDD 2026 پذیرفته شده است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده