En busca de moléculas hermosas: una perspectiva sobre el modelado generativo para el diseño de medicamentos

Área de la Ciencia:

• La inteligencia artificial en el descubrimiento de fármacos
• Química computacional
• Química medicinal

Sus antecedentes:

• La inteligencia artificial generativa (GenAI) es prometedora para el descubrimiento de nuevos medicamentos mediante la exploración del espacio químico y el diseño de moléculas con las propiedades deseadas.
• A pesar de los avances, el valor de GenAI en el descubrimiento de fármacos prospectivos sigue sin demostrarse, lo que pone de relieve una brecha entre el potencial y la aplicación.

Objetivo del estudio:

• Definir los criterios para el éxito de la IA generativa para el descubrimiento de fármacos (GADD), centrándose en la generación de moléculas "hermosas" alineadas con objetivos terapéuticos.
• Hacer hincapié en el papel crítico de la experiencia humana y la retroalimentación en la orientación de los modelos de IA hacia candidatos a fármacos clínicamente relevantes.

Principales métodos:

• Centrarse en cinco consideraciones clave para GADD: sintetizabilidad química, propiedades ADMET, unión específica al objetivo, funciones de optimización de múltiples parámetros (MPO) y retroalimentación humana.
• Proponer el aprendizaje por refuerzo con retroalimentación humana (RLHF) como un método para alinear las salidas de GenAI con el juicio de los expertos, análogo a su uso en grandes modelos lingüísticos.

Principales resultados:

• La "belleza" de una molécula depende del contexto y requiere un juicio matizado, lo que hace indispensable la participación humana experta.
• Si bien los marcos de la MPO ayudan a la optimización, no pueden reemplazar por completo la experiencia de los cazadores de drogas.
• RLHF es esencial para dar forma al comportamiento de GenAI hacia moléculas alineadas terapéuticamente.

Conclusiones:

• El éxito del GADD requiere ir más allá de la generación de nuevas moléculas para crear otras "hermosas" que ofrezcan valor más allá de los métodos tradicionales.
• El progreso futuro en GADD depende de una mejor predicción de la propiedad, sistemas de IA explicables y la integración de bucles de retroalimentación humana.
• En última instancia, el éxito de los candidatos a fármacos generados por IA es juzgado por cazadores de fármacos experimentados y resultados clínicos.