图形GPT:一个图形增强的生成预训练变压器,用于有条件的分子生成.
Hao Lu1, Zhiqiang Wei1, Xuze Wang1
1College of Computer Science and Technology, Ocean University of China, Qingdao 266100, China.
International journal of molecular sciences
|December 9, 2023
概括
这项研究引入了一种基于条件的分子生成的新方法,增强了药物发现. 生成式预训练变压器 (GPT) 模型有效地创建具有所需属性的分子,改进虚拟选库.
科学领域:
- 计算化学是一种计算化学.
- 药品化学 药品化学 是一个
- 人工智能在药物发现中的作用
背景情况:
- 基于条件的分子生成通过扩大虚拟选库来加速药物发现.
- 现有的方法可能无法完全捕捉复杂的分子拓特征或条件生成要求.
研究的目的:
- 开发一种基于条件的分子生成的新型计算模型.
- 提高产生具有药物发现特性的分子的效率和准确性.
主要方法:
- 使用生成预训练变压器 (GPT) 架构使用序列表示的组合分子图形结构.
- 包含图形结构信息,以更好地理解分子拓学.
- 利用了GPT的顺序上下文理解,用于条件分子生成.
主要成果:
- 该模型有效地产生具有所需性质的分子,实现接近100%的有效和独特指标.
- 在生成基于脚手架的任务时成功保存了脚手架信息.
- 生成的分子具有较低的相似性,但满足了指定的属性要求.
结论:
- 提出的基于GPT的模型为基于条件的分子生成提供了一种有效的方法.
- 这种方法通过改进虚拟查和分子设计,显著提高了药物发现过程.
- 该模型保持支架完整性和控制分子特性的能力对于有针对性的药物开发至关重要.


