研究人员推出了 DrugGen-2，这是一种生成式模型，旨在根据疾病本体论和靶蛋白序列来创建小分子。该方法通过将特定的疾病背景整合到分子生成过程中，解决了当前计算方法中的空白。

  • 通过对预训练的 GPT-2 模型进行监督微调，随后通过组相对策略优化 (GRPO) 进行强化学习而开发。
  • 使用针对化学有效性、新颖性、多样性和高预测结合亲和力的奖励函数进行优化。
  • 在五种与糖尿病肾病相关的蛋白质靶点上进行了评估，显著优于 DrugGPT 和 DrugGen 等基线模型。
  • 展示了生成独特分子的能力更强，与已批准药物的结构相似性更高，以及预测的结合亲和力更好。
  • 分子对接识别出具有预测亲和力（-9.917、-9.485、-9.367）的候选配体，超过了依那普利（-8.283）等参考药物。

通过考虑疾病与分子靶点之间复杂的相互作用，DrugGen-2 作为从头设计和药物重定位的工具，推动了人工智能辅助药物发现的发展。