پیام جوان: محققان MIT و آزمایشگاه هوش مصنوعی MIT-IBM Watson به موفقیتی چشمگیر در تلفیق مدل‌های زبانی بزرگ (LLM) با مدل‌های گراف‌محور دست یافته‌اند. آن‌ها سیستمی به نام Llamole طراحی کرده‌اند که می‌تواند درخواست‌های زبانی کاربران درباره طراحی مولکول‌ها را دریافت کرده، آن‌ها را به گراف‌های مولکولی تبدیل کند، ساختار مناسب را پیشنهاد دهد و حتی مراحل ساخت آن را به‌طور کامل مشخص کند. این سیستم در آزمایش‌ها نرخ موفقیت طراحی مولکول را از ۵ درصد به ۳۵ درصد افزایش داده است.

این رویکرد نوآورانه، مزایای مدل‌های زبانی (درک زبان طبیعی) و مدل‌های گرافی (درک ساختارهای مولکولی) را با هم ترکیب کرده است. برای مثال، اگر کاربر بخواهد مولکولی خاص با ویژگی‌هایی مانند وزن، عبور از سد خونی-مغزی یا تأثیر بر بیماری خاصی مانند HIV طراحی شود، Llamole قادر است با استفاده از ماژول‌های گرافی مناسب، طرح دقیق مولکول، ویژگی‌های آن و مراحل سنتز شیمیایی را ارائه دهد.

به گفته پژوهشگران، این سیستم نه‌تنها طراحی ساختارهایی ساده‌تر و ارزان‌تر را ممکن می‌کند، بلکه از مدل‌های زبانی بسیار بزرگ‌تر نیز عملکرد بهتری دارد. محققان امیدوارند در آینده Llamole را فراتر از ۱۰ ویژگی فعلی گسترش دهند تا طراحی داروها و مواد شیمیایی با دقت بیشتر، هزینه کمتر و سرعت بالا انجام شود؛ اقدامی که می‌تواند تحولی در صنعت داروسازی ایجاد کند.