大型语言模型可以预测抗微生物的活性和毒性吗?
Markus Orsi1, Jean-Louis Reymond1
1Department of Chemistry, Biochemistry and Pharmaceutical Sciences, University of Bern Freiestrasse 3 3012 Bern Switzerland jean-louis.reymond@unibe.ch.
RSC medicinal chemistry
|June 24, 2024
概括
大型语言模型显示了预测抗微生物 (AMP) 活性和毒性的潜力. 然而,像RNN和SVM这样的更简单的模型目前为AMP开发提供了更可靠的预测.
科学领域:
- 计算生物学是一种计算生物学.
- 药品化学 药品化学 是一个
- 药物发现 药物发现
背景情况:
- 抗微生物 (AMP) 为抗微生物耐药性危机提供了一个有希望的解决方案.
- 由于控制AMP对人类细胞的毒性存在挑战,AMP的临床开发受到阻碍.
研究的目的:
- 研究大语言模型 (LLM) 在预测AMP活性和毒性方面的潜力.
- 将LLMs的性能与AMP数据分析的传统机器学习模型进行比较.
主要方法:
- 微调LLM,包括GPT-3和GPT-3.5,使用来自抗菌活性和结构数据库 (DBAASP) 的数据.
- 训练循环神经网络 (RNN) 在序列活动数据和支持矢量机 (SVM) 在MAP4C分子指纹活动数据上.
- 评估AMP活性预测和血液溶解 (作为毒性代理) 的模型性能.
主要成果:
- GPT-3在活动和血液溶解预测方面表现出有希望但无法重现的结果.
- GPT-3.5的执行效果不如GPT-3.5的执行效果.
- 在预测AMP活性和毒性方面,RNN和SVM的表现优于LLM.
结论:
- 目前建议使用更简单的机器学习模型 (RNN,SVM) 来预测AMP活动和对LLM的毒性.
- 在LLMs的快速进步需要持续重新评估他们的预测能力在这个领域.
更多相关视频
06:50Author Spotlight: A Computational Approach to Decipher Amino Acid Preferences in Multispecific Protein-Protein Interactions
Published on: January 26, 2024
1.8K
16:02Demonstration of the Sequence Alignment to Predict Across Species Susceptibility Tool for Rapid Assessment of Protein Conservation
Published on: February 10, 2023
2.7K
