研究人员推出了 DrugGen-2，这是一种生成模型，旨在根据疾病本体论和靶蛋白序列来创建小分子。这种方法通过将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。
  • 在糖尿病肾病相关的五个蛋白质靶点上进行了评估，显著优于基线模型 DrugGPT 和 DrugGen。
  • 展示了生成具有更高结构相似性的独特分子的能力，这些分子更接近已批准的药物。
  • 实现了改进的预测结合亲和力，包括亲和力为 -9.917、-9.485 和 -9.367 的化合物，超过了参考药物依那普利 (-8.283)。

通过整合疾病特异性背景，DrugGen-2 推动了人工智能辅助药物发现的发展，为从头设计和药物重定位提供了一个强大的工具，该工具考虑了疾病与分子靶点之间复杂的相互作用。