适应-cMolGPT:一个有条件的生成预训练式变压器,具有适应器为基础的微调,用于特定目标的分子生成

科学领域:

• 药用化学 医学化学
• 计算机化药物发现技术
• 人工智能在制药中的应用

背景情况:

• 在早期药物发现中,小分子药物设计对于识别针对特定蛋白质的化合物至关重要.
• 像GPT这样的生成模型显示出分子化合物生成的前景,但在小型制药数据集中面临性能退化.
• 由于数据限制,现有的方法难以产生特定目标化合物.

研究的目的:

• 提出一个增强的特定目标药物生成模型,Adapt-cMolGPT.
• 解决因小数据集导致的药物发现过程中生成模型的性能下降问题.
• 改进新型,有效和针对特定目标的分子化合物的生成.

主要方法:

• 开发了Adapt-cMolGPT,修改分子表示并优化微调过程.
• 引入了一种新的微调方法,使用集成到预先训练的基本模型中的适配器模块.
• 在微调过程中实施了部分的交替重量更新.

主要成果:

• 在针对特定目标的化合物生成方面,Adapt-cMolGPT与以前的模型相比表现有所改善.
• 与现有方法相比,该模型产生了更多的新型和有效化合物.
• 生成的化合物表现出与真实分子数据相似的特性,表明其高疗效.

结论:

• 适应-cMolGPT对于设计针对特定蛋白质的药物非常有效.
• 拟议的微调策略在数据稀缺的制药环境中提高了生成模型性能.
• 这种方法推进了计算药物发现和人工智能驱动的分子设计领域.