Les chercheurs ont introduit 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 le contexte de la maladie dans le processus de génération moléculaire.
- Développé en affinant un modèle GPT-2 pré-entraîné par apprentissage 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 modèles de référence DrugGPT et DrugGen.
- A démontré une capacité supérieure à générer des molécules uniques avec une similarité structurelle accrue par rapport aux médicaments approuvés.
- A atteint des affinités de liaison prédites améliorées, y compris des composés avec des affinités de -9.917, -9.485 et -9.367 dépassant le médicament de référence énalapril (-8.283).
En intégrant un contexte spécifique à la maladie, DrugGen-2 fait progresser la découverte de médicaments assistée par l'IA, offrant un outil puissant pour la conception de novo et le repositionnement de médicaments qui tient compte de l'interaction complexe entre les maladies et les cibles moléculaires.