从目标蛋白序列中获得具有所需功率的化合物的生成设计,使用多模式生物化学语言模型

科学领域:

• 计算化学和药物发现
• 在分子设计中的人工智能.
• 生物信息学和蛋白质序列分析分析

背景情况:

• 深度学习,特别是自然语言处理 (NLP) 模型,为分子数据的表示和转换提供了先进的功能.
• 现有的化学语言模型主要集中在复合字符串操纵上.
• 语言模型的多功能性表明了超越传统任务的新应用的潜力,例如生成设计.

研究的目的:

• 通过使用目标序列嵌入来研究具有特定强度的活性化合物的生成设计.
• 开发和评估一种双组件的条件语言模型,用于从多模式蛋白序列和化合物强度数据中学习.
• 根据所需的效能和目标蛋白质信息,证明预测新型活性化合物的能力.

主要方法:

• 设计了一种双组件条件语言模型,集成一种蛋白质语言模型来生成目标序列嵌入和一种条件变压器来进行化合物预测.
• 该模型被训练在组合蛋白序列和化合物强度嵌入,学习对应化合物的映射.
• 对特定活动类进行了微调,对结构上不同的测试集进行了评估,以评估概括性和稳定性.

主要成果:

• "生物化学"语言模型成功地在不同的活性类别中复制了具有不同强度的已知化合物,验证了概念验证.
• 条件模型在复制已知的化合物和识别更强大的分子方面明显优于无条件模型,突出显示了强度调节的影响.
• 从结构上不同的候选化合物,与训练和测试集不同,被生成,表明成功探索新化学空间.

结论:

• 基于目标序列嵌入和所需功能的生成性化合物设计显示出药物发现的重大前景.
• 开发的"生物化学"语言模型,结合了蛋白质和化学语言模型组件,代表了这项任务的先进架构.
• 这种方法是第一个直接从条件蛋白序列数据中预测具有所需功能的化合物,为实际应用提供了一种新的方法.