相关实验视频
Updated: May 26, 2025
05:14
A Doxorubicin-Induced Murine Model of Dilated Cardiomyopathy In Vivo
Published on: May 16, 2020
4.4K
大型语言模型作为分子毒性预测的工具:AI对心脏毒性的洞察力
Hengzheng Yang1,2, Jian Xiu1, Weiqi Yan1
1Key Laboratory for Molecular Enzymology and Engineering of Ministry of Education, School of Life Science, Jilin University, 2699 Qianjin Street, Changchun 130012, China.
Journal of chemical information and modeling
|February 21, 2025
概括
这项研究表明,像GPT-4这样的先进AI模型可以预测药物毒性,与传统方法相比. 它还使用AI和分子对接在常见草药中确定了潜在的心脏毒性.
科学领域:
- 计算化学和毒理学计算化学和毒理学
- 人工智能在药物发现中的作用
- 药用化学 医学化学
背景情况:
- 准确的药物毒性评估对于制药的安全性和有效性至关重要.
- 预测分子毒性是药物开发和风险管理中的关键一步.
- 传统的深度学习 (DL) 和机器学习 (ML) 模型用于毒性预测.
研究的目的:
- 将GPT-4和GPT-4o与传统DL/ML模型 (WeaveGNN,MorganFP-MLP,SVC,KNN) 的性能进行比较,以预测骨,神经和生殖毒性.
- 通过使用GPT-4和分子对接,研究中国传统药物材料的潜在心脏毒性.
- 探索已识别的心脏毒性影响的作用机制.
主要方法:
- 对GPT-4和GPT-4o性能与已建立的DL/ML模型进行分子毒性预测的比较分析.
- 整合GPT-4与分子对接模拟,以评估精选的中国传统药物化合物的心脏毒性.
- 对已识别的化合物,对心脏点Cav1.2的结合 afinities 的评估.
主要成果:
- 在特定的毒性预测任务中,GPT-4的性能与传统的DL/ML模型相美.
- 来自黑芝麻,生,佩里拉,四川教堂树果,甘,,甘,中国山梨,杏仁和胡桃的成分显示出潜在的心脏毒性作用.
- 在这些成分和心脏点Cav1.2之间观察到显著的结合亲缘关系,支持心脏毒性假设.
结论:
- 像GPT-4这样的大型语言模型在预测分子性质和毒性方面表现有希望,为药物化学提供了一个新的范式.
- 该研究成功地确定了几种传统药物成分对Cav1.2目标的潜在心脏毒性作用.
- 像ChatGPT这样的AI工具可以使先进的计算化学实现民主化,使高精度模型生成能够在没有广泛的编码专业知识的情况下实现.
