Modelos de Lenguaje Grandes de Doble Percepción Química-Estructura: Avance en la Predicción de Propiedades...

Área de la Ciencia:

• Química computacional
• Descubrimiento de fármacos
• Inteligencia artificial en medicina

Sus antecedentes:

• La predicción precisa de las propiedades moleculares de los fármacos es vital para el descubrimiento de fármacos de precisión y el diagnóstico de enfermedades.
• El aprendizaje automático y el aprendizaje profundo han mejorado la predicción de propiedades, pero requieren importantes recursos computacionales y carecen de intuición química.
• Los métodos actuales luchan por integrar la experiencia del dominio de los químicos en el proceso de predicción.

Objetivo del estudio:

• Proponer CSLLM, un método novedoso para generar representaciones moleculares de fármacos incrustadas con conocimiento químico utilizando modelos de lenguaje grandes (LLMs) guiados por instrucciones.
• Abordar las limitaciones de los métodos existentes en cuanto al costo computacional y la incorporación de perspectivas químicas.
• Mejorar la precisión y la interpretabilidad de las predicciones de propiedades de los fármacos para mejorar el diagnóstico de enfermedades y el tratamiento personalizado.

Principales métodos:

• CSLLM utiliza un marco de instrucción tridimensional para guiar a los LLMs.
• La guía de tareas enfoca a los LLMs en requisitos de predicción específicos.
• Los módulos de percepción química y estructural permiten a los LLMs razonar como químicos y comprender las estructuras moleculares.

Principales resultados:

• CSLLM demostró un rendimiento superior en comparación con los modelos existentes en nueve conjuntos de datos diversos.
• Las visualizaciones confirmaron la capacidad de CSLLM para realizar razonamiento químico desde la perspectiva de un químico.
• El método genera representaciones moleculares ricas en conocimiento químico de manera eficiente, con recursos computacionales limitados.

Conclusiones:

• CSLLM ofrece un enfoque novedoso para generar representaciones moleculares de fármacos informativas al aprovechar los LLMs con comprensión química y estructural.
• El método integra eficazmente el conocimiento químico, mejorando la precisión de la predicción y ofreciendo información sobre las aplicaciones moleculares para el diagnóstico de enfermedades.
• CSLLM representa un avance significativo en el descubrimiento computacional de fármacos, permitiendo el desarrollo más preciso y eficiente de terapias dirigidas.