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を導入した。このアプローチは、分子生成プロセスに疾患の文脈を組み込むことで、現在の計算手法の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、グループ相対方策最適化（GRPO）による強化学習を通じて事前学習済みGPT-2モデルをファインチューニングして開発された。
  • 化学的妥当性、新規性、多様性、および高い予測結合親和性に対する報酬関数で最適化されている。
  • 糖尿病性腎症に関連する5つのタンパク質標的にて評価され、ベースラインモデルであるDrugGPTやDrugGenを大幅に上回った。
  • 承認済み薬物との構造的類似性がより大きい独自分子を生成する優れた能力を示した。
  • 参照薬物エンラプリル（-8.283）を上回る親和性を持つ化合物を含む、改善された予測結合親和性を達成した。具体的には、-9.917、-9.485、および-9.367の親和性を記録した。

疾患特異的な文脈を組み込むことで、DrugGen-2はAI支援創薬を前進させ、疾患と分子標的間の複雑な相互作用を考慮したde novo設計およびドラッグリポジショニングのための強力なツールを提供する。