Para peneliti memperkenalkan DrugGen-2, sebuah model generatif yang dirancang untuk membuat molekul kecil yang dikondisikan pada ontologi penyakit dan urutan protein target. Pendekatan ini mengatasi kesenjangan dalam metode komputasi saat ini dengan mengintegrasikan konteks penyakit spesifik ke dalam proses generasi molekuler.
- Dikembangkan dengan melakukan fine-tuning pada model GPT-2 yang telah dilatih sebelumnya menggunakan supervised fine-tuning diikuti oleh reinforcement learning melalui optimisasi kebijakan relatif grup (GRPO).
- Dioptimalkan dengan fungsi reward untuk validitas kimia, kebaruan, keragaman, dan afinitas pengikatan prediktif tinggi.
- Dievaluasi pada lima target protein yang relevan dengan nefropati diabetik, secara signifikan mengungguli baseline seperti DrugGPT dan DrugGen.
- Menunjukkan kapasitas unggul untuk molekul unik, kesamaan struktural yang lebih besar dengan obat yang disetujui, dan afinitas pengikatan prediktif yang meningkat.
- Docking molekuler mengidentifikasi ligan kandidat dengan afinitas prediktif (-9.917, -9.485, -9.367) yang melebihi obat referensi seperti enalapril (-8.283).
Dengan memperhitungkan interaksi kompleks antara penyakit dan target molekuler, DrugGen-2 memajukan penemuan obat yang dibantu AI sebagai alat untuk desain de novo dan repurposing obat.