اگر شیمیدان دارویی هستید، میدانید گلوگاه اصلی کار شما تصور مولکول نیست، بلکه ساخت واقعی آن در آزمایشگاه است. OpenAI با جفت کردن GPT-5.4 و یک آزمایشگاه رباتیک با ظرفیت بالا، راهی برای شکستن این بنبست پیدا کرده است تا بهطور خودکار یک واکنش شیمیایی حیاتی را بهبود بخشد.
به نقل از پست وبلاگی OpenAI در ۱۷ ژوئن ۲۰۲۶، این سیستم موفق شد واکنش «جفتشدگی چان-لام» (Chan–Lam coupling) را بهینه کند. این فرآیند برای ایجاد پیوندهای کربن-نیتروژن که در بسیاری از داروهای ضدسرطان و ضد میکروبی یافت میشوند، ضروری است.
زمینه: هوش مصنوعی در خدمت علم
تلاشهای OpenAI در علم بر این باور استوار است که هوش مصنوعی پیشرفته میتواند بهعنوان شریکی قدرتمند برای پژوهشگران عمل کند. هدف این است که به دانشمندان کمک شود تا ایدههای بیشتری را بررسی کنند، مفاهیم دور از هم را به یکدیگر متصل کنند، آزمایشهای بهتری طراحی کنند و اکتشافاتی را که به نفع بشریت است، تسریع بخشند. این پروژه در شیمی دارویی بخشی از یک مسیر گستردهتر از مشارکتهای علمی مبتنی بر AI است.
سوابق قبلی این قابلیتها شامل موارد زیر است:
- ریاضیات: مدلهایی که در دستیابی به نتایج بدیع در مورد «مسئله فاصله واحد» (unit distance problem) مشارکت داشتند.
- فیزیک نظری: دستیابی به نتایج جدید در رابطه با دامنههای گلوئون (gluon amplitudes).
- زیستشناسی: کمک GPT-5 به کاهش هزینه سنتز پروتئین بدون سلول (cell-free protein synthesis) در محیطهای آزمایشگاهی خودکار.
- علوم زیستی: معرفی GPT-Rosalind؛ مدلی هدفمند که بهطور خاص برای پشتیبانی از گردشکارهای کشف دارو و تحقیقات علوم زیستی طراحی شده است.
شیمی آلی زیربنای تقریباً هر داروی مولکول-کوچک و همچنین محصولاتی است که در الکترونیک، علم مواد و کشاورزی استفاده میشوند. وقتی یک واکنش بازدهی پایینی دارد یا تعداد زیادی محصولات جانبی ناخواسته تولید میکند، دانشمندان اغلب مولکولهای امیدوارکننده را رها میکنند یا زمان زیادی را صرف توسعه مسیرهای جایگزین میکنند. این موضوع شکاف بزرگی بین طراحی تئوری دارو و کشف عملی ایجاد میکند و سنتز را به یک گلوگاه اصلی در فرآیند کشف دارو تبدیل میکند.
برای پر کردن این شکاف، OpenAI با شرکت Molecule.one همکاری کرد تا مدل پیشرو خود را به Maria متصل کند. ماریا یک هوش مصنوعی عاملمحور (Agentic AI) است که با یک آزمایشگاه با ظرفیت بالا ادغام شده است. این ساختار به AI اجازه داد تا از استدلال محض فراتر رفته و فرضیات خود را در برابر نویزهای واقعی آزمایشگاهی، ابزارهای فیزیکی و مولکولهای واقعی تست کند.
جزئیات: حلقه پژوهش خودکار
این گردشکار طی یک دوره سه ماهه، از اولین پرامپت در ۴ مارس ۲۰۲۶ تا به اشتراکگذاری نتایج با متخصصان مستقل در ۴ ژوئن ۲۰۲۶، بهصورت «نیمهخودکار» عمل کرد. این فرآیند از یک چرخه مشخص پیروی میکرد:
- تولید پیشنهاد: GPT-5.4 در یک محیط کنترلشده و با استفاده از پرامپتهای نوشته شده توسط دانشمندان، هزاران پیشنهاد پژوهشی احتمالی را بر اساس متون علمی تولید و رتبهبندی کرد.
- هدایت انسانی: شیمیدانهای انسانی زیرمجموعه کوچکی از بالاترین پیشنهادهای رتبهبندی شده را بررسی کرده و چهار مورد را برای تست آزمایشگاهی انتخاب کردند.
- اجرا: هوش مصنوعی ماریا این طرحهای سطح بالا را به دستورالعملهای دقیق آزمایشگاهی تبدیل کرد، هزاران آزمایش با ظرفیت بالا را اجرا نمود و دادههای خام را تحلیل کرد.
- تحلیل: سیستم نتایج ساختاریافته را به GPT-5.4 بازگرداند و مدل سپس آزمایشهای تکمیلی را برای اصلاح فرضیات پیشنهاد داد.
این سیستم «نیمهخودکار» نامیده میشود و نه کاملاً خودکار، زیرا قضاوت انسانی همچنان ضروری بود. انسانها پرامپتهای هدایتی و درجهبندی را طراحی کردند، اصلاحات محدودی در طرحهای آزمایشگاهی ایجاد کردند، در عملیاتهای پایه آزمایشگاهی کمک کردند و نتایج نهایی را بهطور مستقل تأیید نمودند.
شکستن بنبست چان-لام
یکی از پیشنهادهای خاص با کد OAI-M1-03، روی جفتشدگی سولفونامیدهای اولیه با بورونیک اسیدها تمرکز داشت. این یک نسخه دشوار اما بسیار کاربردی از واکنش چان-لام است که شیمیدانها برای تشکیل پیوندهای کربن-نیتروژن از آن استفاده میکنند.
گروههای سولفونامید در داروهای طیف وسیعی از حوزههای درمانی، از جمله داروهای مدر (diuretics)، ضد میکروبی و ضدسرطان، حیاتی هستند. با این حال، جفتشدگی سولفونامیدهای اولیه با بورونیک اسیدها بهطور تاریخی بازدهی پایینی داشته است. قابل اعتماد کردن این واکنش خاص، راهی گستردهتر و کاربردیتر را برای تولید و بررسی مولکولهای بالقوه مفید در اختیار شیمیدانان دارویی قرار میدهد.
GPT-5.4 بهطور مستقل سولفونامیدهای اولیه را بهعنوان یک کلاس بستر (substrate) چالشبرانگیز و باارزش شناسایی کرد. سپس پیشنهاد داد که استفاده از اکسیدانهای ملایم، بهطور خاص TEMPO، میتواند واکنش را بهبود بخشد. این پیشنهاد شیمیدانهای انسانی را غافلگیر کرد، زیرا رویکردی غیرمنتظره برای حل این مسئله بود.
کمیسازی پیشرفت
برای تأیید این فرضیه، آزمایشگاه ماریا تعداد خیرهکننده ۱۰٬۰۸۰ واکنش را اجرا کرد. بر اساس مستندات پروژه، این حجم از کار برای یک شیمیدان انسانی که روزانه سه واکنش انجام دهد، بیش از یک دهه زمان میبرد. این مقیاس لازم بود زیرا نتایج شیمی در صورت تست روی تعداد کمی از نمونهها میتواند گمراهکننده باشد؛ ممکن است یک واکنش روی یک جفت ماده اولیه امیدوارکننده به نظر برسد اما در یک مجموعه گستردهتر شکست بخورد.
در دو چرخه آزمایش، نتایج قطعی بود:
- افزایش بازدهی: میانگین بازدهی از ۱۶.۶٪ به ۲۵.۲٪ رسید.
- قابلیت اطمینان: سهم واکنشهایی که به بازدهی کاربردی (بالای ۳۰٪) رسیدند، از ۱۵.۶٪ به ۳۷.۵٪ جهش کرد.
- موفقیت گسترده: بازدهی اندازهگیری شده برای ۸۸٪ از بورونیک اسیدها و ۸۳٪ از سولفونامیدهای تستشده بهبود یافت.
- تست اکسیدان: حجم بالای واکنشها به سیستم اجازه داد تا TEMPO را بهعنوان برترین گزینه در میان ۱۰ اکسیدان مختلف تستشده شناسایی کند.
فراتر از غربالگری رباتیک، شیمیدانهای انسانی واکنشهای نماینده را در مقیاس سنتی میز آزمایشگاه تکرار کردند تا مطمئن شوند اثرات مقیاس میکرولیتر (microliter-scale artifacts) دادهها را منحرف نکرده است. این تستهای دستی یافتهها را تأیید کرد و نشان داد که در ۱۱ مورد از ۱۴ جفت بستر، بازدهی افزایش یافته و در ۸ مورد از این جفتها، افزایش بازدهی بیش از دو برابر بوده است.
فراتر از موفقیت اولیه
سیستم پس از اولین کشف متوقف نشد. پس از تحلیل دادههای دور اول، AI دور دوم متمرکزتری از آزمایشها را برای تست فرضیات تکمیلی پیشنهاد داد. یک یافته مهم این بود که TEMPO را میتوان با 4-hydroxy-TEMPO — که یک آنالوگ بسیار ارزانتر است — با افت عملکرد بسیار اندک جایگزین کرد.
از چهار پیشنهاد اولیه تولید شده توسط GPT-5.4 و تست شده توسط ماریا در بازه سه ماهه، سه مورد بهطور تجربی تأیید شدند (OAI-M1-02, OAI-M1-03, OAI-M1-04) و یک مورد (OAI-M1-01) رد شد. تحلیل این نتایج دیگر در حال حاضر در جریان است.
ایمنی و نردههای حفاظتی
به دلیل اینکه قابلیتهای شیمی AI میتواند برای ایجاد سموم یا سلاحهای شیمیایی مورد سوءاستفاده قرار گیرد، OpenAI «چارچوب آمادگی» (Preparedness Framework) خود را برای کاهش ریسکهای نوظهور در حوزههای شیمیایی و بیولوژیکی به کار گرفت. پروژه دقیقاً روی یک مسئله مشروع شیمی دارویی محدود شد: بهبود یک واکنش جفتشدگی شناختهشده برای مولکولهای دارو-مانند. آزمایشها شامل ترکیبات مضر یا سموم نبود.
چندین لایه کنترلی اجرا شد:
- محافظهای مدل: مدل تحت ارزیابیهای مؤسسه امنیت AI بریتانیا قرار گرفته بود و بهگونهای طراحی شده بود که درخواستها برای کاربردهای مضر را رد کند.
- نظارت انسانی: شیمیدانهای انسانی انتخاب کردند که کدام پیشنهادها وارد آزمایشگاه شوند و تمام طرحهای آزمایشگاهی را بررسی کردند.
- کنترل فیزیکی: انسانها کنترل زیرساختهای فیزیکی و واکنشگرها (reagents) را در دست داشتند.
- اصلاحات عملیاتی: انسانها اصلاحات حیاتی در طرحهای AI ایجاد کردند؛ مثلاً به سیستم دستور دادند از دیمتیل سولفوکسید (DMSO) بهعنوان حلال استفاده نکند، زیرا میتوانست با اکسیدانهای قویتری که بهعنوان مقایسه استفاده میشدند، واکنش دهد.
تحلیل: تغییر از چتبات به شریک
این نتیجه نشاندهنده تغییری در نگاه ما به مدلهای زبانی بزرگ (LLMs) در علم است. ما از «AI بهعنوان ابزار جستجوی متون» به سمت «AI بهعنوان شریک آزمایشگاهی» حرکت میکنیم. مدل فراتر از خلاصهسازی متون عمل کرد؛ فرضیهای غافلگیرکننده پیشنهاد داد، آزمایشها را طراحی کرد، دادهها را تفسیر نمود و آزمایشهای تکمیلی را طراحی کرد.
با بستن حلقه بین فرضیه، اجرا و تحلیل، هوش مصنوعی بهطور مؤثری در حال شتاب دادن به بخش تجربی علم است که بهطور سنتی کندترین بخش فرآیند کشف بوده است. برای کسبوکار کشف دارو، این به معنای کاهش بالقوه در زمان و هزینه مورد نیاز برای سنتز ترکیبات پیشرو (lead compounds) است. اگر AI بتواند بهطور قابل اعتمادی واکنشهایی را که قبلاً «بازده پایین» تلقی میشدند بهینه کند، کتابخانه وسیعی از مولکولهایی که پیشتر غیرقابل دسترس بودند را برای تستهای درمانی باز میکند.
گامهای بعدی
چهار متخصص خارجی شیمی پیش از این مقاله پیشچاپ (preprint) مربوط به OAI-M1-03 را بررسی کرده و از نو بودن این نتیجه حمایت کردهاند. مرحله بعدی شامل تست طیف گستردهتری از مواد اولیه، بررسی مکانیزم خاصی که چرا افزودنیها واکنش را بهبود میبخشند و پشتیبانی از تکرار مستقل توسط سایر آزمایشگاهها است.
هدف بلندمدت OpenAI ایجاد شرکای علمی قابل اعتمادی است که به پژوهشگران در تولید فرضیات و تفسیر نتایج کمک کنند و در عین حال در چارچوب قضاوتهای تخصصی باقی بمانند. شیمی آلی یک حوزه با اهرم بالا است زیرا سنتز بهتر، دامنه ایدههایی را که دانشمندان میتوانند در پزشکی، انرژی، الکترونیک و کشاورزی بررسی کنند، گسترش میدهد. این نتیجه بهعنوان یک نمونه اولیه از نحوه همکاری مدلهای پیشرو، عوامل تخصصی، آزمایشگاههای خودکار و متخصصان انسانی برای حرکت سریعتر در حلقه پژوهش عمل میکند.
گام بعدی شما
- اگر در حوزه بیوتکنولوژی یا شیمی هستید، بررسی کنید که چگونه اتصال مدلهای استدلالی به سختافزارهای اتوماتیک میتواند نرخ شکست آزمایشهای شما را کاهش دهد.
- مقالهی پیشچاپ (Preprint) مربوط به مورد OAI-M1-03 را برای درک دقیقتر مکانیزم TEMPO مطالعه کنید.
- دنبال کنید که آیا OpenAI ابزارهای مشابهی را برای سایر شاخههای شیمی آلی منتشر میکند یا خیر.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو