연구자들은 질병 온톨로지와 표적 단백질 서열 모두에 조건부적으로 작은 분자를 생성하도록 설계된 생성 모델인 DrugGen-2를 소개했습니다. 이 접근법은 분자 생성 과정에 특정 질병 문맥을 통합함으로써 현재 계산 방법의 격차를 해소합니다.

  • 그룹 상대 정책 최적화(GRPO)를 통한 강화 학습 이전에 지도 세밀 튜닝을 사용하여 사전 훈련된 GPT-2 모델을 세밀 튜닝하여 개발되었습니다.
  • 화학적 유효성, 신규성, 다양성 및 높은 예측 결합 친화성을 위한 보상 함수로 최적화되었습니다.
  • 당뇨병 신병증과 관련된 5개의 표적 단백질에 대해 평가되었으며, DrugGPT 및 DrugGen과 같은 베이스라인을 크게 상회했습니다.
  • 고유한 분자에 대한 우수한 능력, 승인된 약물과의 더 높은 구조적 유사성 및 개선된 예측 결합 친화성을 입증했습니다.
  • 분자 도킹은enalapril(-8.283)과 같은 참조 약물보다 높은 예측 친화성(-9.917, -9.485, -9.367)을 가진 후보 리간드를 식별했습니다.

질병과 분자 표적 간의 복잡한 상호작용을 고려함으로써 DrugGen-2는 신규 설계 및 약물 재창출을 위한 도구로서 AI 지원 약물 발견을 발전시킵니다.