Исследователи представляют DrugGen-2, генеративную модель, предназначенную для создания малых молекул с учетом онтологии заболеваний и последовательностей целевых белков. Этот подход устраняет пробел в существующих вычислительных методах за счет интеграции специфического контекста заболевания в процесс генерации молекул.
- Разработана путем дообучения предварительно обученной модели GPT-2 с использованием контролируемого дообучения, за которым следует обучение с подкреплением через групповую относительную оптимизацию политики (GRPO).
- Оптимизирована с помощью функций вознаграждения за химическую валидность, новизну, разнообразие и высокую предсказанную аффинность связывания.
- Протестирована на пяти белковых мишенях, связанных с диабетической нефропатией, значительно превосходя базовые модели, такие как DrugGPT и DrugGen.
- Продемонстрировала превосходную способность генерировать уникальные молекулы, большую структурную схожесть с одобренными препаратами и улучшенные предсказанные аффинности связывания.
- Молекулярный докинг выявил кандидаты в лиганды с предсказанными аффинностями (-9.917, -9.485, -9.367), превышающими аффинность эталонных препаратов, таких как эналаприл (-8.283).
Учитывая сложное взаимодействие между заболеваниями и молекулярными мишенями, DrugGen-2 продвигает ИИ-ассистированное открытие лекарств как инструмент для de novo дизайна и репозиционирования препаратов.