في عالم الطب الحديث، يبرز التوجه نحو استخدام الذكاء الاصطناعي لتعزيز العلاجات الطبية التقليدية. في هذا السياق، يأتي نموذج DrugKLM كخطوة ثورية تدمج بين الهياكل البيانية البيولوجية (Biomedical Knowledge Graphs) ونماذج اللغات الضخمة (Large Language Models). يبدو أن DrugKLM لا يركز فقط على تحديد الأدوية الجديدة، بل يستند أيضًا إلى فهم دقيق للآليات البيولوجية التي تدعم حلول العلاج.

يعمل DrugKLM على تحسين عملية تحديد مرشحي الأدوية من خلال مرونة هائلة في معالجة البيانات المتنوعة. يساهم النموذج في تفوق كبير على الأساليب السابقة التي اعتمدت فقط على البيانات البيانية أو نماذج اللغة بمفردها، بما في ذلك نموذج TxGNN.

علاوة على ذلك، يعكس تقييم DrugKLM نتائج عملية يتم تنسيقها مع أنماط التعبير الجيني المرتبطة بتحسين البقاء عبر 12 نوعًا من السرطان في قاعدة بيانات TCGA. مما يعني أن الدرجة العالية التي يحصل عليها النموذج ترتبط بمؤشرات حيوية مهمة تعكس التأثيرات البيئية على الأمراض.

تكشف الدراسات التي أجريت على خمسة أنواع من السرطان عن اختلافات منهجية في سلوكيات تحديد الأولويات، إذ يرفع DrugKLM مرشحي الأدوية المدعومة بأسس دقيقة منطقياً وسياقات سريرية محددة، مما يعزز المصداقية العلمية لنتائج النموذج.

إن هذه النتائج تسلط الضوء على DrugKLM كنموذج متكامل يقدم رؤى جديدة تتجاوز البيانات التاريخية إلى تطبيقات علاجية واقعية.