گوگل دیپمایند (Google DeepMind) از عرضه TxGemma خبر داده است؛ مجموعهای باز از مدلهای هوش مصنوعی که برای افزایش کارایی کشف دارو و پیشبینی آزمایشهای بالینی طراحی شدهاند. TxGemma که بر اساس خانواده مدل Gemma ساخته شده، با هدف سادهسازی فرآیند توسعه دارو و تسریع کشف درمانهای جدید ارائه شده است.
توسعه داروهای درمانی جدید، فرآیندی کند و پرهزینه است که اغلب با نرخ شکست بالایی روبرو میشود—۹۰ درصد داروهای کاندیدا از مرحله اول آزمایشهای بالینی فراتر نمیروند. TxGemma تلاش میکند با استفاده از مدلهای زبانی بزرگ (LLMها) برای بهبود پیشبینی خواص درمانی در کل خط لوله تحقیق، به این چالش رسیدگی کند. از شناسایی اهداف دارویی امیدوارکننده گرفته تا ارزیابی نتایج آزمایشهای بالینی، TxGemma پژوهشگران را به ابزارهای پیشرفتهای برای سادهسازی و بهبود کارایی توسعه دارو مجهز میکند.
جرمی پراستیو (Jeremy Prasetyo)، همبنیانگذار و مدیرعامل TRUSTBYTES، اهمیت توضیحات مبتنی بر هوش مصنوعی در تحقیقات دارویی را اینگونه برجسته کرد:
هوش مصنوعی که پیشبینیهای خود را توضیح میدهد، یک تغییردهنده بازی برای کشف دارو است—بینشهای سریعتر به معنای دستیابی سریعتر به پیشرفتها در مراقبت از بیمار است.
TxGemma جانشین Tx-LLM است، مدلی که اکتبر گذشته برای تحقیقات درمانی معرفی شد. به دلیل علاقه بسیار زیاد جامعه علمی، دیپمایند قابلیتهای آن را اصلاح و گسترش داده و TxGemma را به عنوان یک جایگزین منبعباز با عملکرد و مقیاسپذیری بهبودیافته توسعه داده است.
TxGemma که بر روی ۷ میلیون مثال آموزش دیده، در سه اندازه—۲ میلیارد، ۹ میلیارد و ۲۷ میلیارد پارامتر—عرضه میشود و نسخههای تخصصی Predict آن برای وظایف حیاتی درمانی بهینهسازی شدهاند. این وظایف عبارتند از:
- طبقهبندی (Classification) – پیشبینی اینکه آیا یک مولکول میتواند از سد خونی-مغزی عبور کند یا خیر.
- رگرسیون (Regression) – تخمین تمایل اتصال دارو.
- تولید (Generation) – استنتاج واکنشدهندهها از واکنشهای شیمیایی.
در آزمونهای بنچمارک، مدل Predict با ۲۷ میلیارد پارامتر در ۶۴ مورد از ۶۶ وظیفه کلیدی، عملکردی بهتر یا برابر با مدلهای تخصصی داشته است. جزئیات بیشتر نتایج در مقاله منتشر شده موجود است.
علاوه بر مدلهای پیشبینیکننده، TxGemma-Chat یک تجربه تعاملی هوش مصنوعی را ارائه میدهد که به محققان اجازه میدهد سؤالات پیچیده بپرسند، توضیحات مفصل دریافت کنند و در بحثهای چند نوبتی شرکت کنند. این قابلیت به روشن شدن استدلال پشت پیشبینیها کمک میکند، مانند توضیح اینکه چرا یک مولکول ممکن است بر اساس ساختارش سمی باشد.
برای سازگار کردن TxGemma با نیازهای تحقیقاتی خاص، گوگل دیپمایند یک دفترچه Colab نمونه برای تنظیم دقیق (fine-tuning) منتشر کرده است که به محققان اجازه میدهد مدل را برای دادههای خودشان تنظیم کنند.
علاوه بر مدلهای پیشبینیکننده، گوگل دیپمایند Agentic-Tx را معرفی میکند که TxGemma را در گردشکارهای تحقیقاتی چند مرحلهای ادغام میکند. با ترکیب TxGemma و Gemini 2.0 Pro، Agentic-Tx از ۱۸ ابزار تخصصی برای افزایش قابلیتهای تحقیقاتی استفاده میکند.
Agentic-Tx بر روی بنچمارکهایی مانند Humanity’s Last Exam (آخرین آزمون بشریت) و ChemBench آزمایش شده و توانایی خود را در کمک به وظایف تحقیقاتی پیچیده که نیاز به استدلال در چندین مرحله دارند، نشان داده است.
TxGemma اکنون در Vertex AI Model Garden و Hugging Face در دسترس است، جایی که محققان و توسعهدهندگان میتوانند مدلها را آزمایش کنند، از ابزارهای تنظیم دقیق استفاده کنند و بازخورد ارائه دهند.