Les chercheurs présentent DrugGen-2, un modèle génératif conçu pour créer de petites molécules conditionnées par à la fois l'ontologie des maladies et les séquences de protéines cibles. Cette approche comble le manque des méthodes computationnelles actuelles en intégrant un contexte de maladie spécifique dans le processus de génération moléculaire.
- Développé en affinant un modèle GPT-2 pré-entraîné par affinage supervisé suivi d'un apprentissage par renforcement via l'optimisation relative de politique de groupe (GRPO).
- Optimisé avec des fonctions de récompense pour la validité chimique, la nouveauté, la diversité et une affinité de liaison prédite élevée.
- Évalué sur cinq cibles protéiques pertinentes pour la néphropathie diabétique, surpassant significativement les références comme DrugGPT et DrugGen.
- Démontré une capacité supérieure pour des molécules uniques, une plus grande similarité structurelle avec les médicaments approuvés et des affinités de liaison prédites améliorées.
- L'ancrage moléculaire a identifié des ligands candidats avec des affinités prédites (-9.917, -9.485, -9.367) dépassant celles des médicaments de référence comme l'énalapril (-8.283).
En tenant compte de l'interaction complexe entre les maladies et les cibles moléculaires, DrugGen-2 fait avancer la découverte de médicaments assistée par l'IA en tant qu'outil pour la conception de novo et le repositionnement des médicaments.