Para peneliti telah 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 ke dalam proses generasi molekul.

  • 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 model dasar DrugGPT dan DrugGen.
  • Menunjukkan kapasitas unggul dalam menghasilkan molekul unik dengan kesamaan struktur yang lebih besar terhadap obat yang disetujui.
  • Mencapai afinitas pengikatan prediktif yang lebih baik, termasuk senyawa dengan afinitas -9.917, -9.485, dan -9.367 yang melebihi obat referensi enalapril (-8.283).

Dengan mengintegrasikan konteks spesifik penyakit, DrugGen-2 memajukan penemuan obat yang dibantu AI, menawarkan alat yang kuat untuk desain de novo dan repurposing obat yang memperhitungkan interaksi kompleks antara penyakit dan target molekuler.