نقدّم LifeSciBench
مقياس كتبه وراجعه خبراء، ومرتكز على بحث واقعي في علوم الحياة
تزداد قدرة أنظمة الذكاء الاصطناعي الوكيلي على أداء المهام العلمية. لكن فائدتها لباحثي علوم الحياة تعتمد على مدى تعاملها مع تعقيد البحث الحقيقي. فنادرًا ما يشبه هذا العمل سؤالًا واحدًا لاسترجاع حقيقة أو مسألة تنبؤ واضحة. يفسر الباحثون أدلة ناقصة، ويوفقون بين نتائج متعارضة، ويصممون تجارب صعبة، ويعالجون أعطال الفحوص، ويقيّمون مخاطر الترجمة السريرية، ويقررون الخطوة التالية وسط عدم اليقين.
لا ترصد المقاييس الحالية هذه القدرات بالكامل. تركز كثير من تقييمات علوم الحياة على مجالات ضيقة أو مهارات منفصلة، فتنتج أسئلة بصيغ منظمة وإجابات مرجعية نظيفة. ورغم قيمتها، فإنها غالبًا لا تقيّم حقًا ما إذا كان نموذج قادرًا على الإسهام عبر النطاق الأوسع للعمل البحثي.
صممنا LifeSciBench للمساعدة في سد هذه الفجوة. كل مهمة مستندة إلى حكم علماء علوم حياة ممارسين تلقوا تدريبًا على مستوى الدكتوراه ولديهم خبرة مباشرة في دفع برامج اكتشاف الأدوية في شركات التكنولوجيا الحيوية والدواء.
يتضمن LifeSciBench نحو 750 مهمة كتبها خبراء، وتغطي سبعة مسارات عمل وسبعة مجالات بيولوجية.
1,062
مخرجات المهام
173
المساهمون العلماء
19,020
معايير دليل التقييم
453
المراجعون الخبراء
ما الذي يقيسه LifeSciBench
يقيس LifeSciBench ما إذا كانت أنظمة AI تستطيع دعم مهام بحثية واقعية في علوم الحياة، لا مجرد الإجابة عن أسئلة في الأحياء. لتحديد تصنيف المقياس، استطلعنا علماء علوم حياة ممارسين حول مسارات العمل الأكثر استخدامًا في البحث التطبيقي. ثم جمعنا إجاباتهم في سبع فئات متكررة: التعامل مع الأدلة، التحليل، التصميم والتحسين، الاستدلال العلمي، التحقق والعمليات، الترجمة، والتواصل العلمي.
تُصاغ كل مهمة كطلب قد يوجهه عالم إلى متعاون خبير: مطالبة علمية، وأي سياق أو آثار ذات صلة، وإجابة حرة. تقيّم أدلة تقييم أعدّها خبراء ما إذا كان نموذج يستطيع إنتاج الإجابة الصحيحة لمسألة محددة، بالمستوى المناسب من التفاصيل والتبرير والتحفظات والتنسيق الذي يتوقعه عالم.
بناء مجموعة البيانات
يقيّم LifeSciBench الاستدلال العلمي إلى جانب المهارات العملية الأقل تحديدًا واللازمة للاستخدام العلمي الواقعي. تطلب مهامه من النماذج معالجة مشكلات بحثية واقعية: تفسير الأدلة، وإصدار أحكام مستندة إلى المجال، وتوصيل استنتاجات مفيدة للمراجعين الخبراء. كما تتطلب مهام كثيرة من النماذج التعامل مع عدم اليقين والاستدلال على ملفات بيانات داعمة بدل الاعتماد على نص المطالبة وحده.
صُمم المقياس ليعكس تعقيد العمل في علوم الحياة. إجمالًا، تتطلب 79% من المهام خطوات متعددة من الاستدلال أو اتخاذ القرار، بمتوسط أربع خطوات لكل مهمة. يشمل LifeSciBench نحو 1,062 أثرًا مرفقًا، من أشكال وملفات PDF وجداول وملفات تسلسل وملفات بنية أو كيمياء ومراجع ويب. يتطلب أكثر من نصف المهام (53%) أن تفسر النماذج معلومات من أثر واحد على الأقل أو تركبها.
أنشأ المهام 173 عالمًا خبيرًا من تخصصات مختلفة في علوم الحياة. كان لدى كل عالم تدريب على مستوى الدكتوراه وخبرة في صناعة التكنولوجيا الحيوية أو الدواء. كان يمكن للمهام أن تمر بدورات مراجعة قدر الحاجة قبل قبولها، بلا حد ثابت لعدد الجولات؛ وبلغ متوسط المهام المقبولة ست دورات مراجعة آلية ذاتية وأكملت جولتين على الأقل من مراجعات الخبراء. استندت المراجعات إلى إجابة صحيحة قابلة للتحقق أو إلى توافق خبراء قوي، مع اتفاق لا يقل عن 90% بين المراجعين في المجال المعني. ساعدت هذه العملية على ضمان أن تكون المهام المقبولة مؤسَّسة علميًا، وواضحة بما يكفي للتقييم، وممثلة للبحث التطبيقي.
التقييم وتفصيل دليل التقييم
تُقيَّم مهام LifeSciBench باستخدام دليل تقييم مفصل ومخصص لكل مهمة، يفكك الإجابة المتوقعة إلى ادعاءات علمية وحسابات وقرارات وتبريرات محددة، وغير ذلك. عبر المقياس، تشمل المعايير التي طورها خبراء 19,020 معيارًا—بمتوسط 25 لكل مهمة—لتقييم الصحة العلمية والفائدة لقرارات البحث.
يعكس هذا التصميم كيفية تقييم العمل العلمي عمليًا: فكثير من مهام علوم الحياة لا يمكن تقييمها بفحص الإجابة النهائية وحدها. قد تصل الإجابة إلى الاستنتاج العام الصحيح، لكنها تُعد ناقصة إذا أغفلت مثلًا قيدًا مهمًا في الفحص أو لم تذكر مبكرًا فارقًا بيولوجيًا بالغ الأثر. وبالعكس، قد تتضمن إجابة جزئية استدلالًا عالي الجودة حتى إن لم تحل المهمة بالكامل.
تعكس أدلة التقييم التفصيلية هذا المستوى من الدقة. لا يقيّم LifeSciBench دقة الإجابة النهائية فقط، بل ما إذا كان نموذج يصل إليها بطريقة صحيحة علميًا ومفيدة تشغيليًا.
استخراج الأدلة العلمية ومواءمتها وتدقيقها من الأوراق والأشكال والجداول والسجلات التجريبية.
مثال للتقييم
We’re preparing for a Type B FDA meeting on AAV9-microDys-X, an AAV9-based micro-dystrophin gene therapy for Duchenne muscular dystrophy that expresses a 138 kDa construct from an MCK promoter, and we want a hard-nosed critique of whether our current package really supports accelerated approval on micro-dystrophin expression as a surrogate endpoint reasonably likely to predict clinical benefit.
Study context: open-label Phase 1b/2 in 12 ambulatory boys age 4–7 with confirmed DMD and out-of-frame rod-domain deletions. The package is:
- Pre-treatment vastus lateralis biopsies: 0–3% of healthy-control dystrophin by quantitative Western blot using MANEX1A against the N-terminal actin-binding domain.
- 12-week post-treatment contralateral vastus lateralis biopsies: mean micro-dystrophin 38% of healthy control (range 18–61%) by the same Western blot, normalized to total protein by Coomassie staining.
- Post-treatment immunofluorescence: sarcolemmal signal in 75–95% of fibers using a polyclonal anti-dystrophin C-terminal antibody.
- 48-week function: mean NSAA change +1.4 points from baseline versus −0.6 in an external published natural-history registry cohort (p = 0.03 by unpaired t-test).
- Safety: transient transaminitis in 8/12 patients managed with steroid taper; one resolved myocarditis; no deaths.
- Biodistribution/persistence: AAV9 vector genomes detectable in muscle at 12 weeks at a mean of 2.3 vector genomes per nucleus.
- Eligibility: no baseline anti-AAV9 neutralizing antibodies (titer <1:400) and no exon-44 deletions.
Please pressure-test this package item by item: where would FDA or a skeptical reviewer say the evidence, as presented, fails to support our conclusion, and what additional data, analyses, or design changes would be needed to close those gaps if possible? For anything not specified, assume what is known from other clinical-grade 138 kDa micro-dystrophin programs and relevant clinical trials through December 31, 2025 also applies.
رد المرشح
الخلاصة: كما هو معروض، هذه الحزمة ليست قوية بما يكفي لدعم موافقة معجلة على تعبير micro-dystrophin كنقطة نهاية بديلة يُحتمل بشكل معقول أن تتنبأ بفائدة سريرية. من المرجح أن يرى مراجع متشكك في FDA أن أدلة الواسم الحيوي والوظيفة والديمومة والسلامة وقابلية التعميم مدعومة دعمًا غير كافٍ ماديًا.
عنصر الحزمة | نمط الفشل الرئيسي | ما يلزم |
|---|---|---|
تكميم Western blot | يرتبط MANEX1A بحاتمة طرفية N مشتركة بين الديستروفين الداخلي كامل الطول والجين الناقل لـ micro-dystrophin، لذا لا يميز الاختبار بوضوح بين الجين الناقل والديستروفين المتبقي/الراجع. كما أن تكميم micro-dystrophin بوزن 138 kDa مقابل معيار ديستروفين صحي كامل الطول غير صالح. | استخدم معيار micro-dystrophin مؤتلفًا وطريقة متعامدة تميز الجين الناقل عن الديستروفين الداخلي، مثل قياس الطيف الكتلي الموجه أو اختبار خاص بالجين الناقل/الحاتمة. |
التألق المناعي | الجسم المضاد متعدد النسائل للطرف C غير ملائم لأن البنية 138 kDa تفتقر إلى المجال الطرفي C. لدى كثير من مرضى DMD ألياف راجعة، وقد يحتفظ الديستروفين الراجع بحاتمات الطرف C. قد تتوسع الألياف الراجعة نسيليًا مع العمر، مما يحيز إشارة IF، خاصةً لدى الأولاد الأكبر سنًا. | أعد IF بجسم مضاد ضد حاتمة موجودة في الجين الناقل وغائبة عن الديستروفين الراجع. كمّم الألياف الإيجابية للجين الناقل بشكل منفصل عن الألياف الراجعة. |
صلاحية نقطة النهاية البديلة | تخلط الحزمة بين كمية البروتين والوظيفة السريرية. «38% من كتلة بروتين الشاهد السليم» لا تعني 38% من وظيفة الديستروفين الطبيعية لأن micro-dystrophin مبتور بنيويًا. | تحقق تجريبيًا من العلاقة بين نسبة كتلة micro-dystrophin، وتوضعه على الساركوليما، واستعادة الوظيفة اللاحقة، والفائدة السريرية قبل التعامل مع التعبير كنقطة نهاية بديلة. |
تصميم الخزعة | تُدخل خزعات العضلة المتسعة الوحشية قبل العلاج وبعده من الجهة المقابلة تباينًا مكانيًا بين اليمين واليسار وداخل العضلة. كما يمكن لتقدم المرض والاستبدال الليفي الدهني أن يغيّرا الإشارة المطبّعة إلى البروتين الكلي. | وحّد موقع الخزعة باستخدام معالم تشريحية ثابتة، وطبّع إلى بروتينات خاصة بالعضلة، وقِس التركيب الليفي الدهني بالتوازي. |
مقارن NSAA/الإحصاءات | مجموعة تاريخ طبيعي خارجية ليست شاهدًا عشوائيًا متزامنًا. قد تحيز أهلية التجربة، والرعاية الداعمة، وتأثيرات المشاركة، وNSAA الأساسي، ونظام الستيرويد، والعمر، وفئة الإكسون المقارنة كلها. اختبار t غير المقترن غير كافٍ. كما أن تغير NSAA بمقدار +1.4 يقع ضمن تباين الاختبار وإعادته لهذه الفئة العمرية. | أجرِ دراسة عشوائية متزامنة مضبوطة بالدواء الوهمي، أو على الأقل استخدم تحليلات معدلة تراعي NSAA الأساسي، والعمر، ونظام الستيرويد، وفئة الإكسون، والعوامل المربكة الأخرى. |
التباس نافذة العمر | الأولاد بعمر 4–7 في نافذة نمو قد يكتسب فيها مرضى DMD القادرون على المشي دون علاج وظيفة حركية قبل أن يهيمن التدهور. يمزج تغير NSAA خلال 48 أسبوعًا بين مكسب نمائي وتقدم المرض وأثر علاجي محتمل. | استخدم شاهدًا عشوائيًا متزامنًا مع طبقية عمرية لفصل المسار النمائي عن أثر العلاج. |
سابقة سريرية | لم تتنبأ إشارات micro-dystrophin الوظيفية المفتوحة التسمية بفائدة تأكيدية على نحو موثوق؛ وتشمل السوابق المنشورة تجارب تأكيدية للعلاج الجيني بـ micro-dystrophin فشلت في إعادة إنتاج تحسنات NSAA المفتوحة التسمية. | لا تعتمد على تغير NSAA المفتوح التسمية كدعم حاسم. اطلب دليلًا وظيفيًا مضبوطًا. |
الحدود البنيوية للبنية | تحذف البنية 138 kDa تكرارات spectrin R16/17 التي تحتوي مواقع ارتباط nNOS. فقدان تجنيد nNOS قد يضعف التحلل الودي الوظيفي والحماية من نقص التروية أثناء التمرين، محدثًا سقفًا آليًا للإنقاذ مستقلًا عن مستوى التعبير. | أضف دراسات آلية تُظهر ما إذا كانت هذه البنية المحددة تستعيد وظيفة مركب الديستروفين المرتبط، وتوضع nNOS، وفسيولوجيا التمرين، وحماية العضلات. |
ديمومة AAV | جينومات الناقل عند 12 أسبوعًا لا تثبت تعبيرًا دائمًا. جينومات AAV9 غالبًا إبيزومات غير مدمجة وقد تنخفض بمرور الوقت. استمرار جينوم الناقل ليس مثل استمرار تعبير البروتين. | قِس تعبير بروتين الجين الناقل طوليًا وديمومة الواسمات الحيوية الوظيفية بعد 12 أسبوعًا. |
الملف المناعي/السلامة | ارتفاع الترانساميناز لدى 8/12 مريضًا يتسق مع استجابة مناعية للخلايا المنقولة بـ AAV، لكن الآلية غير مثبتة. حالة التهاب عضلة قلب واحدة مقلقة نظرًا لتوجه AAV9 القلبي. | قدّم مراقبة مناعية أعمق، وتوصيفًا لسلامة الكبد/القلب، ومتابعة قلبية مكثفة. |
اختيار المرضى/قابلية التعميم | استبعاد المرضى الإيجابيين للأجسام المضادة المعادِلة لـ anti-AAV9 يحد من قابلية التعميم. استبعاد حذف الإكسون 44 يحد من الانطباق على تلك المجموعة الفرعية من DMD. n=12 عدد صغير جدًا لتوصيف السلامة والفعالية عبر مجتمع DMD الأوسع. | وسّع الأهلية حيثما أمكن، أو حدّد مسبقًا تحليلات طبقية حسب حالة الأجسام المضادة، والنمط الجيني/فئة الإكسون، والعمر، والوظيفة الأساسية قبل استخدام النتيجة لدعم موافقة واسعة. |
الخلاصة التنظيمية: قد تُظهر الحزمة نشاطًا بيولوجيًا، لكنها لا تثبت بعد أن تعبير micro-dystrophin المقاس بديل موثوق يُحتمل بشكل معقول أن يتنبأ بفائدة سريرية. الفجوات الرئيسية هي خصوصية الاختبار، ومعايير التكميم غير الصالحة، والتباس محتمل بسبب الألياف الراجعة، وغياب شاهد عشوائي، والتباس NSAA المرتبط بالعمر، وديمومة غير مؤكدة، وقضايا سلامة/تعميم غير محسومة.
لسد الفجوة، سيحتاج البرنامج إلى تصميم سريري مضبوط ومطبّق طبقيًا بالعمر مع اختبارات تعبير خاصة بالجين الناقل، وتكميم بروتيني متعامد، وضوابط لتركيب النسيج، وبيانات ديمومة طولية، واختبارات وظيفية آلية للبنية المبتورة، ومراقبة سلامة أقوى، خاصةً كبدية وقلبية.
معايير التقييم والدرجات
التحقق من LifeSciBench
تحققنا من LifeSciBench عبر مراجعة خبراء مستقلة. جاءت الملاحظات من 453 مراجعًا لم يشاركوا في كتابة المهام. من هؤلاء، كان 97% يحملون دكتوراه أو ما يعادلها، بمتوسط 12 عامًا من الخبرة الميدانية و14 منشورًا محكمًا؛ وأفاد 88% بأنهم حصلوا على جائزة أو زمالة واحدة على الأقل.
قيّم المراجعون ما إذا كانت كل مهمة تعكس صفات سؤال معياري قوي: التوافق مع البحث الواقعي، واختبار الاستدلال العلمي وخبرة المجال بشكل مناسب، والارتكاز على الأدلة أو توافق الخبراء، والفائدة العامة في تقييم أداء نموذج. تجاوز الاتفاق 96% في كل فئة.
دعمت تعليقات المراجعين الدرجات الكمية:
النتائج
نورد مقياسين متكاملين. معدل النجاح هو نسبة المهام التي يحقق فيها نموذج عتبة النجاح على مستوى المهمة البالغة 70%. أما الدرجة، فهي متوسط درجة دليل التقييم، وتمنح رصيدًا جزئيًا للمعايير الفردية حتى عندما لا تُحل المهمة كاملة. كلاهما مهم لأن إجابة المهمة العلمية قد تكون صحيحة أو مفيدة جزئيًا من دون استيفاء كل متطلبات الإجابة الكاملة.
يتباين أداء نموذج كثيرًا حسب نوع المهمة ومسار العمل وصيغة الإجابة.
أين تظهر أنظمة AI قوة مبكرة
يبين LifeSciBench أن النماذج المتقدمة أقوى نسبيًا في المهام التي تتضمن تركيبًا علميًا وتواصلًا وتفسيرًا منظمًا. لا تزال معدلات النجاح المطلقة متواضعة، لذا فهذه المجالات بعيدة عن التشبع، لكن GPT‑Rosalind يحقق تقدمًا ملموسًا على GPT‑5.5، إذ يرفع معدل النجاح الدقيق العام من 25.7% إلى 36.1%.
تظهر أقوى اتجاهات تطور قدرات نموذج في التواصل العلمي والترجمة. مثلًا، يرتفع معدل نجاح التواصل العلمي من 56.3% لدى GPT‑5.5 إلى 71.1% لدى GPT‑Rosalind؛ هذه فئة صغيرة (n=9)، لذا ينبغي تفسيرها بحذر، لكنها تشير إلى أن النماذج المتقدمة تتحسن سريعًا في تنظيم الأدلة وإنتاج شروح مقنعة موجهة للخبراء. وتُظهر الترجمة (عملية تطوير الدواء «من المختبر إلى سرير المريض») نمطًا مشابهًا، إذ ترتفع من 36.8% لدى GPT‑5.5 إلى 57.7% لدى GPT‑Rosalind، ما يوحي بأن النماذج تتحسن سريعًا في ربط الأدلة قبل السريرية بالدلالات السريرية.
تشير النتائج على مستوى دليل التقييم إلى الاتجاه نفسه. ففي المهام التي تتطلب مخرجات مفيدة للخبراء أو قابلة للتنفيذ، يحقق GPT‑Rosalind نسبة 44.7%، مقارنةً بـ 29.1% لدى GPT‑5.5. وفي المهام التي تتطلب التعامل مع عدم اليقين والتحفظات، يحقق 44.8% مقارنةً بـ 29.3%. يشير هذا النمط إلى أن النماذج تكون أكثر فائدة عندما تكون حدود الأدلة واضحة وتستلزم المهمة حكمًا علميًا منظمًا.
يتصدر GPT‑Rosalind الأداء عبر مهام ذات قيمة علمية حددها خبراء من الصناعة والأوساط الأكاديمية.
يتصدر GPT‑Rosalind الأداء عبر مهام ذات قيمة علمية حددها خبراء الصناعة والأوساط الأكاديمية.
يتصدر GPT‑Rosalind الأداء عبر مهام ذات قيمة علمية حددها خبراء الصناعة والأوساط الأكاديمية.
الجوانب التي لا تزال تمثل تحديًا لأنظمة الذكاء الاصطناعي
يبقى الأداء أضعف بكثير في العمل العلمي الكثيف الآثار، والكثيف التصميم، والمقيد تشغيليًا. فمسار التصميم والتحسين والتنبؤ يظل من أصعب مسارات العمل، إذ يبلغ معدل نجاح GPT‑Rosalind فيه 30.7%؛ كما أن التحليل صعب بالمثل عند 30.3%.
استخدام الآثار فجوة واضحة خصوصًا. مع أن GPT‑Rosalind يتفوق على GPT‑5.5 في البيئات الكثيفة الآثار، فإن معدل نجاحه لا يزال يهبط من 45.1% في مهام النص فقط إلى 28.1% في المهام ذات الآثار أو عناوين URL. ويُظهر GPT‑5.5 النمط نفسه، إذ يهبط من 29.9% إلى 21.9%. يؤكد تحليل أكثر تفصيلًا أن النماذج المتقدمة تواجه صعوبة في استخراج المعلومات من الأشكال المعقدة أو ملفات التسلسل الكبيرة ودمجها في الإجابة النهائية.
تنخفض معدلات النجاح عندما تتطلب المهام استدلالًا مستندًا إلى المصدر أو العمل مع آثار
وتهم صيغة الإجابة أيضًا. تُظهر المهام التي تتطلب مخرجات دقيقة على مستوى التسلسل أو البنية أو المُنشأ معدلات نجاح أدنى: لا يبلغ GPT‑Rosalind سوى 14.8% في المهام الرقمية و24.0% في مخرجات التسلسل أو البنية. كما أن مهام توليد المُنشآت هشة، إذ يحقق GPT‑Rosalind فيها 27.3% مع تحسن طفيف على GPT‑5.5. قد يعكس جزء من هذه الفجوة سطح تقييم أكثر صرامة لمهام الإجابة الدقيقة، حيث قد تؤدي فروق صغيرة في الحساب أو التنسيق إلى هبوط الإجابة دون عتبة النجاح. مع ذلك، فهذه الإخفاقات مهمة علميًا لأن كثيرًا من مسارات عمل علوم الحياة تتطلب مخرجات دقيقة بما يكفي للاستخدام المباشر، كما في تصميم مانح CRISPR/HDR أو تصميم siRNA.
وغالبًا ما تقطع النماذج جزءًا من الطريق من دون حل المهمة بالكامل. في نحو 14% من المهام، حصلت النماذج على رصيد كبير وفق دليل التقييم رغم فشلها في بلوغ عتبة النجاح الدقيق. بالنسبة إلى GPT‑Rosalind، كانت لدى 109 مهام معدلات نجاح دون 20% مع تحقيق 50% على الأقل درجة دليل التقييم. عمليًا، يعني ذلك أن النماذج قد تحدد أدلة ذات صلة أو تنتج إجابة جزئية معقولة، لكنها تفشل لأنها تفوّت قيدًا أساسيًا، أو تستخدم الدليل الخطأ، أو تجري حسابًا ناقصًا، أو لا تصل استدلالها بقرار نهائي مفيد علميًا.
القيود والتالي
يمثل LifeSciBench خطوة نحو قياس مدى فائدة أنظمة AI لبحث علوم الحياة، لكنه ليس بديلًا عن دراسة النماذج في بيئات بحثية حية. يركز المقياس على مهام مكتفية بذاتها تعكس مسارات عمل صناعية متكررة، مع بقاء تخصصات وأنواع مهام علمية كثيرة خارج نطاقه الحالي. البحث الحقيقي تكراري: يجمع العلماء أدلة جديدة، ويراجعون الفرضيات، ويصممون تجارب متابعة، ويكيفون خططهم مع ظهور النتائج.
لذلك ينبغي تفسير الأداء القوي على LifeSciBench كدليل على قدرة واقعية على مستوى المهمة، لا كمقياس مباشر للأثر البحثي اللاحق. يرتكز المقياس على مسارات عمل الصناعة، لكنه لا يرصد كامل تنوع برامج البحث الحية أو ديناميكياتها، حيث يعتمد التقدم على عوامل تتكشف مع الزمن.
الخطوة التالية هي ربط أداء المقياس بدراسات النشر في مسارات عمل بحثية حية. ورغم تطوير LifeSciBench مع علماء ممارسين، فإن قياس ما إذا كانت أنظمة AI تسرّع الاكتشاف أو تحسّن نتائج البحث والتطوير يتطلب دراسة استخدام نموذج وأدائه في بيئات بحثية حقيقية، وعلى آفاق أطول، وعبر جولات متعددة من الاستدلال والتغذية الراجعة والمتابعة التجريبية.
شارك معنا
المؤلف
متابعة القراءة
