يقدم الباحثون DrugGen-2، وهو نموذج توليدي مصمم لإنشاء جزيئات صغيرة مشروطة بكل من علم أصول الأمراض وتسلسلات البروتين المستهدف. يعالج هذا النهج الفجوة في الأساليب الحسابية الحالية من خلال دمج سياق مرض محدد في عملية توليد الجزيئات.
- تم تطويره عن طريق ضبط نموذج GPT-2 المدرب مسبقاً باستخدام الضبط الدقيق الخاضع للإشراف يليه التعلم المعزز عبر تحسين السياسة النسبية للمجموعة (GRPO).
- تم تحسينه بدوال مكافئة للصحة الكيميائية، والجدة، والتنوع، والارتباط بالبروتين المتوقع العالي.
- تم تقييمه على خمسة أهداف بروتينية ذات صلة باعتلال الكلى السكري، متفوقاً بشكل كبير على الأسس مثل DrugGPT و DrugGen.
- أظهر قدرة فائقة للجزيئات الفريدة، ومحاكاة هيكلية أكبر للأدوية المعتمدة، وتحسينات في ارتباط البروتين المتوقع.
- حدد الإرساء الجزيئي ليجاندات مرشحة بارتباطات متوقعة (-9.917، -9.485، -9.367) تتجاوز الأدوية المرجعية مثل إينالابريل (-8.283).
من خلال أخذ التفاعل المعقد بين الأمراض والأهداف الجزيئية في الاعتبار، يدفع DrugGen-2 اكتشاف الأدوية المدعوم بالذكاء الاصطناعي كأداة للتصميم من الصفر وإعادة استخدام الأدوية.