Few-shot分子特性最適化 ドメイン特化した大型言語モデルを介して

科学分野:

• 化学における人工知能
• コンピュータによる薬物発見
• 分子設計のための機械学習

背景:

• 大型言語モデル (LLM) は,様々なAI分野において有望な結果を示しているが,化学における分子構造-性質関係については苦戦している.
• 既存のLLMは,小分子生成と最適化のためのショートラーニングの限界に直面しており,薬物発見を妨げています.
• 微妙な分子構造を正確に捉えることは,薬理化学的性質を予測するために重要です.

研究 の 目的:

• 薬剤発見における分子最適化のために特別に設計された新しいLLMであるDrugLLMを導入します.
• 薬の開発のための複雑な分子データを処理する現在のLLMの限界に対処するために.
• 生物活性化合物の識別と最適化のプロセスを加速する.

主な方法:

• 分子最適化のための専門的なLLMであるDrugLLMの開発.
• SMILESと比較して53%以上のトークン圧縮を達成する効率的な分子表現のための機能群トークン化 (FGT) の実装.
• 特性最適化のための反復分子構造の予測と修正を可能にする新しい予備訓練戦略の導入.

主要な成果:

• DrugLLMは,数発の分子生成で最先端のパフォーマンスを実証し,GPT-4のような既存のLLMを上回った.
• このモデルはHCN2阻害剤の最適化に成功し,2つの検証された生物活性化合物の特定につながりました.
• DrugLLMは重要なトークン圧縮を達成し,分子データ処理の効率を向上させました.

結論:

• DrugLLMは,分子最適化と薬物発見にLLMを適用する上で重要な進歩を表しています.
• 開発されたFGT方法と予備訓練戦略は,化学および生物学的応用のためのLLMの能力を高めます.
• DrugLLMは,効率的な分子最適化を通じて,AI主導の薬剤発見を加速させる大きな可能性を示しています.