APMSR: نظام ذكاء اصطناعي للإجابة على الأسئلة في علم الأحياء الاصطناعي مدعوم بالتوجيه التكيفي واسترجاع المعرفة من مصادر متعددة

إجابات أذكى لنوع جديد من علم الأحياء

يَعِد علم الأحياء الاصطناعي بوقود أنظف ومصانع أكثر خضرة وعلاجات طبية جديدة، لكن العلم يتقدم بسرعة تجعل حتى الخبراء يجدون صعوبة في مواكبة المستجدات. تقدم هذه الدراسة APMSR، نظامًا ذكيًا للإجابة على الأسئلة مصمَّمًا لمساعدة الباحثين على العثور بسرعة على إجابات موثوقة حول ميكروب حيوي وقود رئيسي، Zymomonas mobilis. بدمج نماذج اللغة الكبيرة مع مصادر مختارة بعناية على الإنترنت وخارجها، يهدف النظام إلى تقديم إجابات دقيقة ومُحدَّثة بدلًا من تخمينات واثقة لكنها خاطئة.

تحدي صياغة أسئلة جيدة

يعتمد العلماء بالفعل على محركات البحث وقواعد البيانات عبر الإنترنت، لكن هذه الأدوات غالبًا ما تُعيد قوائم طويلة من المقالات بدلًا من إجابات مباشرة. تستطيع نماذج اللغة الكبيرة أن تتحدث بطلاقة عن مواضيع عديدة، إلا أنها في مجالات سريعة الحركة مثل علم الأحياء الاصطناعي قد تفشل في التقاط الاكتشافات الحديثة أو تختلق معلومات. يركز المؤلفون على المشكلة العملية المتمثلة في الإجابة عن أسئلة بمستوى الخبراء حول Z. mobilis، البكتيريا المُقدَّرة لتحويل السكريات إلى إيثانول بكفاءة. في هذا السياق، لا تكون الإجابات الخاطئة مجرد مصدر إزعاج—فهي قد توجه التجارب والاستثمارات في اتجاه خاطئ.

توجيه الذكاء الاصطناعي بالتعليمات المناسبة

فكرة مركزية في APMSR هي أن طريقة طرح السؤال على النموذج لا تقل أهمية عن محتواه. بدلاً من استخدام تعليمات ثابتة واحدة، يطلب النظام أولًا من نموذج اللغة تحديد نوع السؤال المطروح—على سبيل المثال، سؤال اختيار من متعدد أو عبارة صحيح/خاطئ. بمجرد التعرف على النوع، يختار APMSR تلقائيًا «قالب توجيه» مناسبًا يخبر النموذج كيف يستدل وكيف يُنسق إجابته. تُرشَّد أسئلة الاختيار من متعدد، على سبيل المثال، إلى مقارنة الخيارات بعناية، بينما تُوجَّه أسئلة صحيح/خاطئ إلى التحقق من صحة العبارة وشرح السبب. يساعد هذا التوجيه التكيفي في إبقاء النموذج مركزًا ويقلل من الإجابات المتشتتة أو الخارجة عن الموضوع.

اختيار أفضل مصدر للحقائق

التعليمات الجيدة وحدها لا تكفي؛ يجب على النظام أيضًا أن يبحث في الأماكن الصحيحة. يربط APMSR بين ثلاثة أنواع من مصادر المعلومات: مكتبة محلية من الأوراق العلمية المختارة بعناية، مصادر ويب مباشرة، وهجين يجمع بين الاثنين. لكل استعلام من المستخدم، يعامل النظام هذه الخيارات الثلاثة كـ«مسارات» متنافسة ويستخدم استراتيجية رياضية تُسمى LinUCB، طُوِّرت أصلاً لموازنة المخاطر والمكافآت في مشكلات اتخاذ القرار. تقوم LinUCB بتقييم مدى فاعلية كل مسار اعتمادًا على الأسئلة السابقة ونتائجها، ثم تختار المسار الأكثر احتمالًا أن يُنتج إجابة صحيحة مع الاستمرار أحيانًا في تجربة البدائل. مع مرور الوقت، يُعلِّم هذا حلقة التغذية الراجعة النظام أي تركيبات المصادر تكون أكثر موثوقية لأنماط الأسئلة المختلفة.

وضع النظام قيد الاختبار

لاختبار ما إذا كانت هذه الأفكار مفيدة فعلاً، بنى الفريق مجموعة اختبار متخصصة من 220 سؤالًا خبرائيًا حول Z. mobilis، مقسمة بالتساوي بين صيغتي الاختيار من متعدد وصحيح/خاطئ، جميعها مشتقة من دراسات مُحكَّمة. قارنوا ثلاث إعدادات: نموذج لغة خام بدون مستندات خارجية، ونظام استرجاع معزز قياسي يستخدم قاعدة بيانات محلية فقط، وتصميمهم الكامل APMSR. ارتفعت الدقة من 54% للنموذج الخام إلى 80% مع الاسترجاع القياسي، ثم إلى 93% عند إضافة التوجيهات التكيفية ومحدد المسار المبني على LinUCB. كما تفوَّق النظام المحسن على نموذج مُتخصِّص في علم الأحياء الاصطناعي اسمه SynBioGPT بحوالي 19 نقطة مئوية، مما يشير إلى أن تنسيق ذكي بين التوجيه والاسترجاع قد يكون أكثر أهمية من مجرد تدريب نموذج أكبر.

ماذا يعني هذا لعمل المختبر في المستقبل

بالنسبة لغير المتخصصين، الخلاصة أن المؤلفين بنوا نوعًا من «المساعد البحثي» لا يتحدث فقط بلغة سلسة، بل يعرف أيضًا متى يتحقق من مصادر متعددة وكيف يُنظّم تفكيره. من خلال ضبط كل من طريقة تأطير الأسئلة وطريقة جمع المعلومات، يحدّ APMSR بشكل كبير من الإجابات المضللة في مجال معقَّد يتطور بسرعة. وفي حين أن النظام الحالي يركِّز على ميكروب واحد وأسئلة على غرار الاختبارات، يمكن توسيع النهج نفسه ليشمل مجالات أوسع من علم الأحياء وما وراءها، لمساعدة العلماء والمهندسين وربما في نهاية المطاف الأطباء على طرح أسئلة أفضل وتلقي إجابات أكثر موثوقية من أدوات الذكاء الاصطناعي.

الاستشهاد: Wang, J., Cao, Z., Tian, Z. et al. APMSR: an intelligent QA system for synthetic biology empowered by adaptive prompting and multi-source knowledge retrieval. Sci Rep 16, 7331 (2026). https://doi.org/10.1038/s41598-026-38006-8

الكلمات المفتاحية: علم الأحياء الاصطناعي, الإجابة على الأسئلة, نماذج اللغة الكبيرة, الاسترجاع المعزز بالتوليد, Zymomonas mobilis