研究者らは、疾患のオントロジーと標的タンパク質配列の両方に条件付けられて小分子を生成するために設計された生成モデルである DrugGen-2 を紹介した。このアプローチは、分子生成プロセスに特定の疾患文脈を組み込むことで、現在の計算手法におけるギャップに対処する。

  • 教師ありファインチューニングに続き、グループ相対的政策最適化（GRPO）による強化学習を用いて事前学習済み GPT-2 モデルをファインチューニングすることで開発された。
  • 化学的妥当性、新規性、多様性、および高い予測結合親和性のための報酬関数で最適化されている。
  • 糖尿病腎症に関連する5つのタンパク質標的にて評価され、DrugGPT や DrugGen などのベースラインを大幅に上回った。
  • 固有の分子に対する優れた能力、承認済み医薬品とのより高い構造的類似性、および改善された予測結合親和性を示した。
  • 分子ドッキングにより、enalapril（-8.283）などの参照医薬品を上回る予測親和性（-9.917、-9.485、-9.367）を持つ候補リガンドが同定された。

疾患と分子標的の複雑な相互作用を考慮することで、DrugGen-2 は新規設計および医薬品の再利用のためのツールとして、AI支援創薬を前進させる。