🧬 احساس غرق شدن در حجم عظیم داده‌های پژوهشی دارید؟ در دنیای امروزی، پالایش و یافتن بینش‌های مفید از میان انبوه داده‌ها در زمینه‌هایی چون کشف دارو، ژنتیک و مراقبت‌های بهداشتی، هر روز دشوارتر می‌شود. اینجاست که دوران هوش مصنوعی مولد با LangChain آغاز می‌گردد؛ ابزاری نوآورانه که روش کار پژوهشگران و دانشمندان زیست‌علوم را متحول کرده است.

در این کتاب پیشگامانه، دکتر ایوان رزنیكوف به شما می‌آموزد چگونه با بهره‌گیری از قدرت هوش مصنوعی، توان پژوهشی خود را ارتقا دهید. این کتاب در دو بخش تنظیم شده است:

• بخش نخست برای هر متخصصی ضروری است و به موضوعاتی چون گذار از آمار سنتی به هوش مصنوعی مولد، مبانی مدل‌های زبانی بزرگ و کاربردهای عملی LangChain می‌پردازد.
• بخش دوم ویژه‌ی متخصصان علوم زیستی است که می‌خواهند برنامه‌های هوش مصنوعی برای زیست‌شناسی، شیمی، توسعه دارو و حوزه‌های دیگر طراحی کنند.

در پایان این کتاب، شما خواهید آموخت:

• چگونه به‌سادگی برنامه‌های LangChain را ایجاد و در پژوهش ادغام کنید.
• چگونه فرایندهای آزمایشی و تحلیل داده‌ها را به‌طرز چشمگیری تسریع بخشید.
• چگونه از راهکارهای نوین هوش مصنوعی برای حل مسائل پیچیده پژوهشی بهره ببرید.
• چگونه دانش و مهارت لازم برای پیشرفت در حوزه علوم زیستی مبتنی بر هوش مصنوعی را به دست آورید.

📚 فهرست مطالب

بخش اول: هوش مصنوعی مولد، شناخت مدل‌های زبانی بزرگ و LangChain

1. از آمار تا هوش مصنوعی مولد در علوم زیستی
2. معرفی مدل‌های زبانی بزرگ
3. معرفی LangChain
4. خطاهای توهم‌زایی و سامانه‌های RAG
5. ساخت دستیارهای شخصی

بخش دوم: ساخت عامل‌ها و دستیارهای هوشمند با LangChain و LangGraph

6. LangChain در شیمی

7. LangChain در زیست‌شناسی

8. LangChain در کشف دارو

9. LangChain در پزشکی و مراقبت‌های سلامت

10. LangChain در کسب‌وکارها

🧠 از پیش‌گفتار

قرن‌هاست دانشمندان زیست‌علوم رازهای طبیعت را یک آزمایش و یک مشاهده در میان گشوده‌اند. اما اگر بتوانیم این روند را به‌صورت نمایی شتاب دهیم چه؟ اگر ابزارهای هوشمندی در اختیار داشته باشیم که نه‌تنها داده‌های عظیم را تحلیل کنند، بلکه فرضیات و راه‌حل‌های تازه نیز بسازند چه می‌شود؟

طبق نقشه راه ترسیم‌شده توسط غول‌های هوش مصنوعی، مسیر پیشرفت AI به این شکل است:

• چت‌بات‌ها: سامانه‌های گفت‌وگومحور برای انجام پرسش‌ها و وظایف ساده
• استدلال‌گرها (Reasoners): هوش‌هایی با توان تحلیل داده‌های پیچیده و حل مسئله در سطح انسان
• عامل‌ها (Agents): سامانه‌های خودکار برای تصمیم‌گیری و انجام وظایف بدون دخالت انسان
• نوآوران (Innovators): هوش‌هایی که قادر به خلق ایده‌های نو و بهینه‌سازی طرح‌ها هستند
• سازمان‌ها (Organizations): موجودیت‌های هوش مصنوعی که می‌توانند کل عملیات یک سازمان را مدیریت کنند

در زمان نگارش این کتاب، ما در مرحله گذار از استدلال‌گرها به عامل‌ها قرار داریم. این کتاب به شما کمک می‌کند فراتر روید و عامل‌ها و سامانه‌های چندعاملی خلاق بسازید که توانایی تولید ایده‌های جدید و هم‌فکری دارند.

بخش اول پایه و بستر لازم را فراهم می‌کند:

• مروری بر چشم‌انداز هوش مصنوعی مولد
• سازوکار مدل‌های زبانی بزرگ
• آموزش اجزای LangChain
• شناخت و پیشگیری از توهمات
• تسریع پژوهش‌ها با «ماشین مناظره» و تیم‌های ساده LangGraph

بخش دوم بر حوزه‌های پژوهشی، علوم زیستی و کاربردهای تجاری تمرکز دارد:

• ساخت دستیارهای چندمنظوره شیمیایی با مدل‌های دقیق‌شده
• ایجاد تیم‌های پژوهشی شامل اعضایی مانند AlphaFold و عامل‌های تولید DNA
• ترکیب فناوری گراف با مدل‌های مولد برای طراحی مولکول‌ها
• ساخت تیم‌های LangGraph متشکل از ابرعامل‌های AI برای گفتار به متن، استخراج داده، گزارش‌سازی و استدلال فرضیه‌ای
• بررسی چارچوب‌های امنیت، حریم خصوصی، و جایگزین‌هایی مانند LlamaIndex، CrewAI و AutoGen جهت ایجاد برنامه‌های زنده و تولیدی مبتنی بر LangChain

👨‍🔬 درباره نویسنده

ایوان رزنیكوف دکترای شیمی دارد و در مدل‌سازی محاسباتی، علم داده و هوش مصنوعی مولد تخصص یافته است. او با بیش از ده سال تجربه در پیوند حوزه‌های علوم زیستی، سلامت و داده، دیدگاهی منحصربه‌فرد ارائه کرده و در این کتاب راهکارهایی بی‌نظیر برای به‌کارگیری LangChain در پژوهش‌های علمی و موارد پزشکی عرضه می‌کند.

Feeling overwhelmed by the volume of data in your research? Sifting through massive amounts of data to find useful insights is becoming increasingly difficult in drug discovery, genetics, and healthcare. Enter the era of generative AI with LangChain, whose groundbreaking tools are changing the way life scientists and researchers operate.

In this groundbreaking book, Dr. Ivan Reznikov teaches you to harness the power of AI to elevate your research capabilities. Divided into two parts, the first is essential for any specialist, covering the transition from traditional statistics to generative AI, the fundamentals of large language models, and the practical uses of LangChain. The second part is designed for life science professionals who want to create AI applications for biology, chemistry, drug development, and more. By the end, you will:

• Learn how to easily create and integrate LangChain applications into research
• Discover how to substantially accelerate your experimental and data analysis operations
• Explore cutting-edge AI solutions designed to address complex research problems
• Gain the skills and knowledge to advance your career in AI-enhanced life sciences

Table of Contents

Part I: Generative AI, Understanding Large Language Models, and LangChain

Chapter 1: From Statistics to Generative AI in Life Sciences

Chapter 2: Introducing Large Language Models

Chapter 3: Introducing LangChain

Chapter 4: Hallucinations and RAG Systems

Chapter 5: Building Personal Assistants

Part II: Building AI Agents and Assistants Using LangChain and LangGraph

Chapter 6: LangChain for Chemistry

Chapter 7: LangChain for Biology

Chapter 8: LangChain for Drug Discovery

Chapter 9: LangChain for Medicine and Healthcare

Chapter 10: LangChain for Enterprise

From the Preface

For centuries, life scientists have painstakingly unraveled the mysteries of nature, one experiment, one observation at a time. But what if we could accelerate discovery exponentially? What if we could empower researchers with intelligent tools capable of not only analyzing vast datasets but also generating novel hypotheses and solutions?

The AI road map, according to several AI giants, may look as follows:

Chatbots: AI systems designed for conversational interactions, handling basic queries and tasks

Reasoners: Advanced AI capable of human-level problem-solving, analyzing complex data, and providing strategic solutions\

Agents: Autonomous systems that can execute tasks, make decisions, and adapt to new situations without human intervention

Innovators: AI that contributes to invention and innovation, generating new ideas and optimizing designs

Organizations: Sophisticated AI entities capable of performing the work of an entire organization, managing operations, and making strategic decisions

At the time of this book’s publication, we’re moving from reasoners to agents. This book will allow you to go even further and develop your own agents and multi-agent innovators, capable of creating new ideas and brainstorming. The book is separated into two parts.

Part I is dedicated to setting the stage:

• Chapter 1 surveys the modern generative AI landscape.
• Chapter 2 discusses how large language models work.
• Chapter 3 teaches how to use LangChain components.
• Chapter 4 describes what hallucinations are, when to use them, and how to avoid them.
• Chapter 5 discovers ways in which LangChain applications can speed up general research with a debate machine and showcases simple LangGraph teams.

Part II is dedicated to research, life science domains, and building commercial applications:

• Chapter 6 examines fine-tuned chemical models and teaches how to build multifunctional chemistry AI assistants.
• Chapter 7 develops research teams with an AlphaFold team member, DNA generation agents, and many more, followed by fine-tuning a DeepSeek reasoning model on biological data.
• Chapter 8 explores how to generate molecules with preset characteristics using variational autoencoders and looks into merging graph technologies with generative AI.
• Chapter 9 builds a powerful LangGraph team of different AI superagents, responsible for speech-to-text, retrieving table data, generating reports, and performing hypothesis reasoning.
• Chapter 10 concludes the book by discussing guardrails and best practices regarding data privacy, security, and compliance, looking into some alternatives such as LlamaIndex, CrewAI, and AutoGen, and creating live-time production generative AI applications with LangChain and its add-ons.

About the Author

Ivan Reznikov holds a PhD in chemistry and has expertise in computational modeling, data science and generative AI. He has amassed over a decade of experience seamlessly blending the realms of life sciences, healthcare and data science. This unique background allowed him to pen this book, providing unparalleled insights and knowledge to unlock the potential of LangChain in scientific research and medical cases.