تلعب مهمة التنبؤ بالتفاعلات الكيميائية (CRPs) دورًا محوريًا في تقدم اكتشاف الأدوية وعلم المواد. ومع ذلك، فإن فعاليتها محدودة بسبب الفضاء الواسع والغير مؤكد للتفاعلات الكيميائية وصعوبات التقاط اختيارية التفاعل، خاصة بسبب القيود الموجودة في الأساليب الحالية في استغلال المعرفة المتأصلة في البيانات. لمعالجة هذه التحديات، نقدم نهجًا يستند إلى إعداد البيانات ذاتيًا لإبراز المعرفة. يبدأ هذا النهج من تحسين تكراري لتمثيلات الجزيئات ويسهل استخراج المعرفة حول أنواع التفاعلات الكيميائية (RTs). ثم، نستخدم التعلم التلقائي للمحفزات لدمج المعرفة السابقة في النموذج اللغوي الكبير (LLM). نتيجة لذلك، نحقق تحسينات كبيرة: زيادة بنسبة 14.2% في دقة التنبؤ بالتحليل العكسي، وارتفاع بنسبة 74.2% في دقة التنبؤ بالمادة المساعدة، وتوسيع قدرة النموذج على التعامل مع التفاعلات الكيميائية متعددة المهام. يقدم هذا البحث نموذجًا جديدًا لإبراز المعرفة في البحث العلمي ويظهر الإمكانات غير المستغلة للنماذج اللغوية الكبيرة (LLMs) في مجال التنبؤ بالتفاعلات الكيميائية (CRPs).