قدم الباحثون DrugGen-2، وهو نموذج توليدي مصمم لإنشاء جزيئات صغيرة مشروطة بكل من علم أصول الأمراض (disease ontology) وتسلسلات البروتين المستهدف. يتناول هذا النهج الفجوة في الأساليب الحسابية الحالية من خلال دمج سياق المرض في عملية توليد الجزيئات.
- تم تطويره عن طريق ضبط نموذج GPT-2 المدرب مسبقاً باستخدام الضبط الدقيق الخاضع للإشراف (supervised fine-tuning) متبوعاً بالتعلم المعزز عبر تحسين السياسة النسبية للمجموعة (GRPO).
- تم تحسينه باستخدام دوال المكافأة للصلاحية الكيميائية، والجدة، والتنوع، والألفة الارتباطية المتوقعة العالية.
- تم تقييمه على خمسة أهداف بروتينية ذات صلة باعتلال الكلية السكري، متفوقاً بشكل كبير على النماذج الأساسية DrugGPT وDrugGen.
- أظهر قدرة فائقة على توليد جزيئات فريدة مع تشابه هيكلي أكبر للأدوية المعتمدة.
- حقق ألفة ارتباطية متوقعة محسنة، بما في ذلك مركبات بألفة -9.917 و-9.485 و-9.367 تتجاوز الدواء المرجعي إنالابريل (-8.283).
من خلال دمج السياق المحدد للمرض، يدفع DrugGen-2 اكتشاف الأدوية بمساعدة الذكاء الاصطناعي إلى الأمام، مقدماً أداة قوية للتصميم من الصفر (de novo design) وإعادة توظيف الأدوية التي تأخذ في الاعتبار التفاعل المعقد بين الأمراض والأهداف الجزيئية.