当前的药物设计计算方法通常专注于生成针对特定靶点或一般分子特性的分子，往往忽视了疾病背景对靶点行为和治疗结果的影响。
为了解决这一问题，我们推出了DrugGen-2，一种新型生成模型，旨在根据疾病本体和靶蛋白序列设计小分子。
DrugGen-2通过在一个包含已批准药物及其相关疾病和靶点的精心策划数据集上微调预训练的GPT-2模型而开发，采用了一种两步策略：首先进行监督微调，然后通过群体相对策略优化（GRPO）进行强化学习。该过程由奖励函数指导，以优化化学有效性、新颖性、多样性和高预测结合亲和力。
在对五种与糖尿病肾病相关的蛋白靶点进行评估时，DrugGen-2显著优于基线模型（DrugGPT和DrugGen）。它展示了生成独特分子的卓越能力，展现了与已批准药物更大的结构相似性，并在所有靶点上实现了改进的预测结合亲和力。
分子对接分析进一步支持了这些发现，识别出具有强结合潜力的候选配体，包括预测亲和力超过参考药物（如用于血管紧张素转化酶的依那普利）的化合物（-9.917、-9.485和-9.367），而依那普利的亲和力为-8.283。
通过将特定疾病的背景融入分子生成，DrugGen-2推动了AI辅助药物发现的发展，为新药设计和药物重新利用提供了强有力的工具，考虑了疾病与分子靶点之间复杂的相互作用。
博主点评： DrugGen-2的设计突破了传统药物发现的局限，将疾病背景引入分子生成过程，为精准医疗和个性化治疗提供了新的可能性。其在生成独特分子及优化结合亲和力方面的表现，标志着AI在药物研发中的应用进入了一个新阶段。我们期待其在临床上的实际应用和未来的研究成果。