حلواني يزيّن قالب الحلوى: فهو لا يشكّل كل شيء دفعة واحدة، بل يضغط الزخرفة خطوة بخطوة، ويدير فوهة الأنبوب بالزاوية المناسبة. وبنحو مماثل تقريبًا، يعمل نموذج الذكاء الاصطناعي الجديد التعلم العميق في التصوير الطبي المسمّى Atomic Design Transformer (ADT). فهو يبني الجزيئات ثلاثية الأبعاد ذرةً بذرة، وفي كل مرة يختار أي عنصر يضيفه وأين يثبّته بالضبط — بالنسبة إلى «الجيران» الموجودين بالفعل.
الخدعة هي أن ADT غير مرتبط بنظام إحداثيات عالمي. فلكل ذرة جديدة، يستخدم نظام إحداثيات محليًا لإحدى الذرات الموضوعة سابقًا — وهكذا يتحقق الاستقلال عن الدورات والانتقالات للجزيء بأكمله (خاصية يسميها الفيزيائيون SE(3)-invariance). الشبكة نفسها مصممة كمحوّل سببي عادي — وهي البنية التي تقوم عليها العديد من نماذج اللغة، لكنها هنا لا تتنبأ بالكلمة التالية بل بالذرة التالية.
أظهرت الاختبارات على مجموعة البيانات GEOM-Drugs أن النموذج المدرب نفسه يمكنه العمل مع «أُطر» كيميائية مختلفة — من حلقة البنزين البسيطة إلى الحلقات غير المتجانسة سداسية الأعضاء (بيريدين، بيريميدين، بيرازين) وحتى الفوران والثيوفين. تراوح XVR من 11% للبيرازين إلى ما يقرب من 30% للبنزين — أرقام متواضعة لكنها صادقة لمهمة توليد جزيئات شبيهة بالأدوية. وفي الوقت نفسه، ظلت جودة الروابط والزوايا الفردية عالية حتى بالنسبة للجزيئات الأكبر (حتى 50 ذرة). التوليد سريع، وتنوع البنى جيد، مما يجعل ADT «مولّد أفكار» جيدًا للبحث عن أدوية جديدة.
الجزيئات في مجموعة GEOM-Drugs هي مركبات حقيقية من قواعد بيانات، وكثير منها يُستخدم بالفعل في صناعة الأدوية. يتعلم ADT من أشكالها ويمكنه اقتراح نسخ جديدة لم تُصنَّع بعد.
نهج مشابه ورد في قصة ستانيسلاف ليم «مولوخ»: هناك، كان الحاسوب يجمع الجزيئات وفق خصائص محددة حتى صنع سمًّا مثاليًا.