Исследователи представили DrugGen-2, генеративную модель, предназначенную для создания малых молекул при условии использования как онтологии заболеваний, так и последовательностей целевых белков. Этот подход устраняет пробел в существующих вычислительных методах за счёт интеграции контекста заболевания в процесс генерации молекул.
- Разработана путём дообучения предварительно обученной модели GPT-2 с использованием контролируемого дообучения, за которым следует обучение с подкреплением через оптимизацию групповой относительной политики (GRPO).
- Оптимизирована с помощью функций вознаграждения за химическую валидность, новизну, разнообразие и высокую предсказанную аффинность связывания.
- Оценена на пяти целевых белках, связанных с диабетической нефропатией, значительно превосходя базовые модели DrugGPT и DrugGen.
- Продемонстрировала превосходную способность генерировать уникальные молекулы с большей структурной схожестью с одобренными лекарствами.
- Достигла улучшенных предсказанных аффинностей связывания, включая соединения с аффинностями -9.917, -9.485 и -9.367, превышающими референсный препарат эналаприл (-8.283).
Интегрируя специфический для заболевания контекст, DrugGen-2 продвигает искусственный интеллект в открытии лекарств, предлагая мощный инструмент для de novo дизайна и репозиционирования препаратов, учитывающий сложное взаимодействие между заболеваниями и молекулярными мишенями.