使用基于双向变压器的化学语言模型扩展具有强效化合物的多站点模拟系列
Hengwei Chen1, Atsushi Yoshimori2, Jürgen Bajorath1,3
1Department of Life Science Informatics and Data Science, B-IT, LIMES Program Unit Chemical Biology and Medicinal Chemistry, University of Bonn Friedrich-Hirzebruch-Allee 5/6 D-53115 Bonn Germany bajorath@bit.uni-bonn.de +49 228 7369 100.
RSC medicinal chemistry
|July 19, 2024
概括
这项研究引入了一种新型的变压器模型,用于在不断变化的化学模拟系列中预测强效化合物,解决药物化学中的一个关键挑战. 该方法成功地为复杂的多站点系列生成了具有更高功率的新类型.
科学领域:
- 药用化学 医学化学
- 计算化学的计算化学
- 人工智能在药物发现中的作用
背景情况:
- 为不断演变的模拟系列 (AS) 产生强效化合物是药物发现的重大障碍.
- 化学语言模型 (CLMs) 通过预测建模为应对这一挑战提供了一个有希望的途径.
研究的目的:
- 开发和实施一种新的计算方法,用于预测多站点模拟系列中的强大模拟.
- 为拟议的模型建立一个基准,与单站式模拟系列的现有方法相比.
主要方法:
- 为多站点模拟系列设计了一个专门的编码和代码化方案.
- 实施了一种双向变压器模型,用于预测新的强效模拟器.
- 将变压器模型与循环神经网络 (RNN) 进行基准测试,用于单站点模拟系列预测.
主要成果:
- 双向变压器模型成功地预测了具有多个R组组合的多站点模拟系列的强大模拟.
- 该模型证明了对各种生物点的有效性.
- 对比显示,与RNN相比,变压器在预测单站系列的类比方面表现优越.
结论:
- 开发的基于变压器的方法为药物化学中的化合物优化提供了一个新且有效的策略.
- 预测R组组合以扩展具有强效化合物的模拟序列,代表了药物设计的重大进展.


