โมเดลและแพลตฟอร์ม AI
OpenAI เปิดตัว MedChemBench สำหรับการให้เหตุผลด้านเคมียา

ประเด็นสำคัญMedChemBench…
ดูเพิ่มเติม
- MedChemBench เผยให้เห็นช่องว่างระหว่างการสร้างโมเลกุลขึ้นใหม่กับการเลือกว่าจะพัฒนาสารประกอบใดต่อ
- GPT-6 Astra ได้คะแนน 95.37% ในด้านเครดิตโครงสร้างโมเลกุล แต่ได้เพียง 50.42% สำหรับการจัดอันดับและการคัดเลือกผู้สมัคร
- OpenAI ยอมรับว่าเกณฑ์มาตรฐานนี้ใกล้ถึงจุดอิ่มตัวและไม่สามารถแสดงให้เห็นว่าโมเดลต่าง ๆ พัฒนาการตัดสินใจในการค้นพบยาจริงได้
เมื่อวันที่ 20 พฤศจิกายน 2026 OpenAI เปิดตัว MedChemBench ซึ่งเป็นเกณฑ์มาตรฐานด้านเคมียาที่มีโจทย์ 99 ข้อ และรายงานว่า GPT-6.2 Astra ทำคะแนนได้ 84.5% ของคะแนนทั้งหมดที่มี ในการตั้งค่าความพยายามในการให้เหตุผลระดับ xhigh เกณฑ์นี้ทดสอบว่าโมเดลสามารถเชื่อมโยงโครงสร้างโมเลกุลกับหลักฐานจากการทดลอง เพื่ออธิบายผล เปรียบเทียบสารประกอบ และคาดการณ์คุณสมบัติได้หรือไม่
คะแนน xhigh อื่น ๆ ที่รายงาน ได้แก่ 83.3% สำหรับ GPT-6 Astra, 82.0% สำหรับ GPT-6.1 Sol และ 58.2% สำหรับ GPT-5.6 Sol เกณฑ์มาตรฐานนี้มุ่งประเมินความท้าทายสำคัญด้านเคมียา กล่าวคือ สารประกอบหนึ่งอาจออกฤทธิ์ต่อโปรตีนที่เกี่ยวข้องกับโรคได้ดี แต่ดูดซึมได้ไม่ดีหรือถูกเมแทบอลิซึมเร็วเกินไป ดังนั้น การเลือกว่าจะทดสอบอะไรต่อจึงต้องชั่งน้ำหนักคุณสมบัติที่แข่งขันกัน แทนที่จะปรับปรุงค่าการวัดเพียงค่าเดียว
วิธีสร้างและให้คะแนนโจทย์ของ MedChemBench
เอกสารทางเทคนิคอธิบายชุดโจทย์ย้อนหลังที่รวบรวมจากบทความและสิทธิบัตร 117 ฉบับ ครอบคลุมโครงสร้างโมเลกุลที่นำมาให้คะแนน 761 โครงสร้างซึ่งไม่ซ้ำกัน โดยทั่วไป โจทย์จะหยุดอยู่ที่จุดตัดสินใจที่เลือกไว้จุดหนึ่งในโครงการวิจัย พร้อมให้บริบททางชีววิทยา สารประกอบก่อนหน้า และผลการทดลองบางส่วน ส่วนผลลัพธ์ในขั้นถัดไปจะถูกเก็บไว้ ไม่เปิดเผย เพื่อใช้จัดทำคำตอบอ้างอิงและเกณฑ์การให้คะแนน
โจทย์ครอบคลุมการค้นพบยาระยะก่อนคลินิก ไม่รวมการพัฒนาทางคลินิก และแบ่งเป็นเจ็ดหมวด ได้แก่ การคัดเลือกสารตั้งต้นยาแบบบูรณาการ 48 ข้อ การคาดการณ์ความสัมพันธ์ระหว่างโครงสร้างกับฤทธิ์ 26 ข้อ และกลุ่มย่อยที่ครอบคลุม ADME (การดูดซึม การกระจายตัว การเมแทบอลิซึม และการขับออก) และการนำส่งยา การออกแบบและแจกแจงโมเลกุล ความปลอดภัยและความเสี่ยง การสังเคราะห์ย้อนกลับ ตลอดจนชีววิทยาของการทดสอบและกลไก โจทย์ 85 ข้อครอบคลุมเนื้อหาทางวิทยาศาสตร์มากกว่าหนึ่งด้าน สะท้อนให้เห็นว่าการเลือกสารตั้งต้นยาอาจขึ้นอยู่กับฤทธิ์ ความจำเพาะ การทดสอบในเซลล์ เมแทบอลิซึม ระดับการสัมผัสยา และความปลอดภัยพร้อมกัน
โจทย์หนึ่งเกี่ยวกับ PRMT5 ซึ่งเป็นโปรตีนที่ศึกษาในการค้นคว้ายารักษามะเร็ง ขอให้โมเดลสร้างสารประกอบที่เกี่ยวข้องกันสามชนิดขึ้นใหม่ และคาดการณ์ฤทธิ์ในเซลล์ การซึมผ่าน การขับออก และอัตราการกำจัดในไมโครโซมของมนุษย์ ผลลัพธ์ที่ไม่เปิดเผยแสดงให้เห็นถึงการแลกเปลี่ยนระหว่างคุณสมบัติเหล่านี้ กล่าวคือ สารประกอบ 23 มีฤทธิ์ในเซลล์สูงกว่า ขณะที่สารประกอบ 24 ผ่านแนวกั้นของเซลล์ได้ง่ายกว่า และสลายตัวช้ากว่าในการทดสอบด้วยเอนไซม์ตับ
การให้คะแนนใช้ทั้งการตรวจสอบแบบกำหนดแน่นอนและเกณฑ์ประเมินที่โมเดลเป็นผู้ตัดสิน โครงสร้างโมเลกุลและเหตุผลทางวิทยาศาสตร์คิดเป็น 37.49% และ 35.78% ของคะแนนทั้งหมดที่มี ตามลำดับ ส่วนการจัดอันดับและการคัดเลือกสารที่เป็นตัวเลือกคิดเป็น 17.51% และการคาดการณ์เชิงตัวเลขหรือเชิงหมวดหมู่คิดเป็น 8.92% สำหรับโครงสร้าง RDKit จะแปลง SMILES ที่ส่งเข้ามา ซึ่งเป็นการแทนกราฟโมเลกุลด้วยข้อความ ให้อยู่ในรูปแบบไอโซเมอร์มาตรฐาน โดยคงสเตอริโอเคมีและไอโซโทปไว้ โดยทั่วไป การคาดการณ์เชิงตัวเลขจะได้คะแนนบางส่วนตามค่าความคลาดเคลื่อนแบบเท่า และผู้ตัดสิน GPT-6 Astra อีกตัวหนึ่ง ซึ่งใช้ความพยายามในการให้เหตุผลระดับปานกลาง จะให้คะแนนเกณฑ์ด้านเหตุผลทางวิทยาศาสตร์เป็นศูนย์ ครึ่งหนึ่ง หรือเต็มคะแนน
ผลการประเมินแต่ละองค์ประกอบและข้อผิดพลาดด้านโครงสร้าง
เอกสารรายงานคำตอบที่ผ่านการให้คะแนน 60,390 รายการ จากโมเดล GPT 11 รุ่น ภายใต้เงื่อนไขโมเดลและระดับความพยายาม 61 แบบ โดยเก็บคำตอบไว้ 10 รายการสำหรับแต่ละโจทย์ในทุกเงื่อนไข GPT-6.2 Astra ไม่ได้อยู่ในโมเดล 11 รุ่นดังกล่าว ผลของโมเดลนี้มาจากประกาศเปิดตัว
ที่ระดับ xhigh เอกสารรายงานว่า GPT-6 Astra ได้คะแนนด้านโครงสร้างโมเลกุล 95.37% และด้านเหตุผลทางวิทยาศาสตร์ 91.05% ของคะแนนที่มี เทียบกับ 50.42% ในด้านการจัดอันดับและการคัดเลือกสารที่เป็นตัวเลือก และ 47.02% ในด้านการคาดการณ์เชิงตัวเลข องค์ประกอบเหล่านี้ครอบคลุมโจทย์ที่ใช้ได้และกฎการให้คะแนนที่แตกต่างกัน แต่ผลลัพธ์แสดงให้เห็นถึงความแตกต่างระหว่างความสามารถที่แข็งแกร่งในการสร้างโครงสร้างขึ้นใหม่และอธิบายเหตุผล กับความสามารถที่อ่อนกว่าในการคัดเลือกสารประกอบและคาดการณ์เชิงปริมาณ
โจทย์สร้างโครงสร้างขึ้นใหม่ที่อธิบายไว้ในเอกสารแสดงให้เห็นความแตกต่างด้านโครงสร้างอย่างชัดเจน โมเดลต้องประกอบโมเลกุลจากโครงสร้างแกนกลางและหมู่ที่เชื่อมต่ออยู่สองหมู่ โดยคงวงแหวนที่มีอะตอม 18 อะตอมไว้ GPT-6 Astra สร้างสารประกอบได้ถูกต้องในคำตอบ xhigh ทั้ง 10 ครั้ง ขณะที่ GPT-5.6 Sol และ GPT-5.6 Luna ตอบผิดทั้ง 10 ครั้ง คำตอบของ Sol ที่นำมาแสดงมีวงแหวน 15 อะตอม ส่วน Luna ส่งกลับชิ้นส่วนสองชิ้นที่ไม่เชื่อมต่อกัน ข้อผิดพลาดเช่นนี้ทำให้อัตลักษณ์ของโมเลกุลเปลี่ยนไป ก่อนที่จะเริ่มให้เหตุผลเกี่ยวกับคุณสมบัติใด ๆ
ข้อจำกัดและแนวทางต่อยอดที่เสนอ
OpenAI ระบุว่าคะแนนเหล่านี้ไม่ได้ยืนยันว่าโมเดลสามารถค้นพบยาใหม่หรือปรับปรุงการตัดสินใจในห้องปฏิบัติการได้หรือไม่ คำตอบแต่ละข้อเป็นการลองเพียงครั้งเดียว โดยไม่มีเครื่องมือ ข้อมูลป้อนกลับ หรือการทดลองใหม่ และโจทย์อาศัยหลักฐานในอดีต ไม่ใช่การค้นพบยาในอนาคต นอกจากนี้ ยังไม่อาจตัดความเป็นไปได้ที่โมเดลเคยพบแหล่งข้อมูลที่เผยแพร่แล้วมาก่อนได้
เพื่อเป็นการตรวจสอบเชิงประมาณ ผู้เขียนเพิ่ม DOI ของแหล่งข้อมูลหรือหมายเลขสิทธิบัตรลงในโจทย์ทั้ง 99 ข้อ สำหรับโมเดลเก้ารุ่นที่ระดับ xhigh การเปลี่ยนแปลงของคะแนนรวมเฉลี่ยอยู่ในช่วงตั้งแต่ลดลง 0.23 จุดเปอร์เซ็นต์ ไปจนถึงเพิ่มขึ้น 0.80 จุด และช่วงความเชื่อมั่น 95% ของแต่ละโมเดลครอบคลุมศูนย์ การตรวจสอบนี้ไม่อาจยืนยันได้ว่าเนื้อหาจากแหล่งข้อมูลดังกล่าวปรากฏอยู่ในข้อมูลฝึกหรือไม่
เอกสารระบุว่า MedChemBench ในรูปแบบปัจจุบันใกล้ถึงจุดอิ่มตัวแล้ว และการให้คะแนนการออกแบบและการสังเคราะห์แบบปลายเปิดยังคงอิงคำตอบอ้างอิงอยู่บางส่วน ซึ่งอาจทำให้คำตอบทางเลือกที่สมเหตุสมผลถูกหักคะแนน แนวทางต่อยอดที่เสนอ ได้แก่ กรณีศึกษาในอนาคต การให้ผู้เชี่ยวชาญตัดสินคำตอบทางเลือก การพิจารณาความไม่แน่นอนของการทดสอบอย่างชัดเจน และหมวดการประเมินแบบตัวแทนอัตโนมัติที่อนุญาตให้ค้นคืนข้อมูล คำนวณ ตรวจสอบโครงสร้าง และปรับแก้คำตอบหลายขั้นตอน
MedChemBench จึงแยกความเข้าใจทางเคมีออกจากผลกระทบต่อการค้นพบยาที่พิสูจน์ให้เห็นแล้ว ผลลัพธ์ที่โดดเด่นที่สุดอยู่ที่การสร้างโจทย์ในอดีตที่กำหนดไว้ขึ้นใหม่และอธิบายโจทย์เหล่านั้น ขณะที่การคัดเลือกสารประกอบและการพยากรณ์เชิงตัวเลขยังทำได้ไม่ดีเท่า การประเมินที่เสนอขึ้นทั้งแบบมองไปข้างหน้าและแบบใช้เอเจนต์มุ่งตอบคำถามที่ยังไม่มีข้อยุติว่า โมเดลจะตัดสินใจด้านการวิจัยได้ดีขึ้นหรือไม่ เมื่อต้องรวบรวมหลักฐาน คำนวณคุณสมบัติ และปรับแก้คำตอบหลายขั้นตอน












