FRAIL:基于碎片的增强学习,用于分子设计和脂肪酸胺酸酶1 (FAAH-1) 的基准测试
Manh-Tu Luong1, Khanh Huyen Thi Pham2, Nhat-Hai Nguyen1
1Institute for AI Innovation and Societal Impact (AI4LIFE), Hanoi University of Science and Technology, Hanoi, Vietnam.
Molecular diversity
|January 9, 2026
概括
新的人工智能框架FRAIL通过产生脂肪酸胺基酸酶1 (FAAH-1) 的新兴抑制剂来加速药物发现. 它使用基于碎片的设计和强化学习来优化化合物以获得更好的结合和类似药物的特性.
科学领域:
- 人工智能的人工智能
- 药物发现 药物发现 药物发现
- 计算化学计算化学
背景情况:
- 加快新兴抑制剂的发现对于开发新疗法至关重要.
- 基于碎片的药物设计和强化学习是强大的计算方法.
- 脂肪酸胺基化酶1 (FAAH-1) 是各种治疗应用的关键标.
研究的目的:
- 引入FRAIL (用于抑制器的基于碎片的强化学习),这是一个新的生成AI框架.
- 利用基于片段的分子设计,多目标强化学习和分子建模来加速抑制剂的发现.
- 开发一种可复制的管道,用于发现实验可行的FAAH-1抑制剂.
主要方法:
- 在FAAH-1特定数据集上微调深度生成模型.
- 将表现最好的模型纳入FRAIL框架.
- 使用定制奖励函数来优化物理化学性质和预测生物活性 (pIC50).
主要成果:
- FRAIL产生了结构新的,碎片生长的化合物.
- 产生的化合物表现出高预测的结合亲和力和理想的药物相似性.
- 该框架证明了新型化合物的合成可访问性.
结论:
- 通过整合先进的AI技术,FRAIL提高了合理的药物设计.
- 该框架为发现可行的FAAH-1抑制剂提供了可重复的管道.
- 源代码是公开的,以促进进一步的研究和开发.
