Los investigadores han presentado DrugGen-2, un modelo generativo diseñado para crear moléculas pequeñas condicionadas tanto a la ontología de enfermedades como a las secuencias de proteínas diana. Este enfoque aborda la brecha en los métodos computacionales actuales al integrar el contexto de la enfermedad en el proceso de generación molecular.
- Desarrollado mediante el ajuste fino de un modelo GPT-2 preentrenado utilizando ajuste fino supervisado seguido de aprendizaje por refuerzo mediante optimización de política relativa grupal (GRPO).
- Optimizado con funciones de recompensa para validez química, novedad, diversidad y alta afinidad de unión predicha.
- Evaluado en cinco dianas proteicas relevantes para la nefropatía diabética, superando significativamente a los modelos base DrugGPT y DrugGen.
- Demostró una capacidad superior para generar moléculas únicas con mayor similitud estructural a los fármacos aprobados.
- Logró afinidades de unión predichas mejoradas, incluyendo compuestos con afinidades de -9.917, -9.485 y -9.367 que superan al fármaco de referencia enalapril (-8.283).
Al integrar el contexto específico de la enfermedad, DrugGen-2 avanza en el descubrimiento asistido por IA de fármacos, ofreciendo una herramienta poderosa para el diseño de novo y el reposicionamiento de fármacos que tiene en cuenta la compleja interacción entre las enfermedades y las dianas moleculares.