在藥物和材料設(shè)計(jì)領(lǐng)域，優(yōu)化候選分子的理化和功能特性是一個(gè)至關(guān)重要的任務(wù)，因其直接關(guān)系到藥物的有效性和安全性。然而，在多目標(biāo)優(yōu)化過程中，平衡多個(gè)可能相互沖突的目標(biāo)一直是一個(gè)巨大的挑戰(zhàn)，尤其是缺乏多屬性標(biāo)注的訓(xùn)練數(shù)據(jù)使得傳統(tǒng)人工智能方法的應(yīng)用受到限制。
為了解決這一問題，浙江大學(xué)吳振興，謝昌諭、侯廷軍以及中南大學(xué)曹東升團(tuán)隊(duì)聯(lián)合在Nature Machine Intelligence期刊上發(fā)表了題為“Leveraging language model for advanced multiproperty molecular optimization via prompt engineering”的最新論文。論文指出，Prompt-MolOpt是一種利用大語言模型中的嵌入技術(shù)來優(yōu)化分子的工具。作者通過引入基于提示的嵌入，Prompt-MolOpt不僅能夠在有限的多屬性數(shù)據(jù)下進(jìn)行有效的分子優(yōu)化，而且在零樣本情況下也表現(xiàn)出良好的泛化能力。
在與現(xiàn)有模型（如JTNN、hierG2G和Modof）的比較中，Prompt-MolOpt在多屬性優(yōu)化的成功率上超越了傳統(tǒng)方法，特別是在保持藥效團(tuán)或用戶指定的片段方面顯示出更強(qiáng)的靈活性。此外，Prompt-MolOpt通過構(gòu)建針對(duì)特定領(lǐng)域的優(yōu)化數(shù)據(jù)集，成功地引導(dǎo)分子優(yōu)化向相關(guān)化學(xué)空間推進(jìn)，提升了優(yōu)化分子的質(zhì)量。這些研究結(jié)果不僅為化學(xué)研究提供了新的工具，也為藥物和材料的發(fā)現(xiàn)開辟了新的路徑，展示了在復(fù)雜優(yōu)化任務(wù)中應(yīng)用AI的巨大潛力。
（1）本文首次提出了Prompt-MolOpt工具，利用基于提示的嵌入技術(shù)，顯著提升了分子在特定屬性調(diào)整方面的優(yōu)化能力。通過借鑒大語言模型的框架，Prompt-MolOpt能夠有效處理有限的多屬性數(shù)據(jù)，即使在零樣本情況下也能成功泛化從單屬性數(shù)據(jù)集中學(xué)到的因果關(guān)系。
（2）實(shí)驗(yàn)通過與現(xiàn)有模型（如JTNN、hierG2G和Modof）的比較評(píng)估，Prompt-MolOpt在多屬性優(yōu)化成功率上實(shí)現(xiàn)了超過15%的相對(duì)提升，顯示出其在分子優(yōu)化領(lǐng)域的優(yōu)越性。此外，Prompt-MolOptP變體能夠在結(jié)構(gòu)轉(zhuǎn)化過程中保留藥效團(tuán)或用戶指定的片段，這一特性擴(kuò)展了該工具的應(yīng)用范圍。
（3）本文通過構(gòu)建針對(duì)特定領(lǐng)域的優(yōu)化數(shù)據(jù)集，Prompt-MolOpt成功引導(dǎo)分子優(yōu)化向相關(guān)的化學(xué)空間發(fā)展，提高了優(yōu)化分子的質(zhì)量。實(shí)際案例（如血腦屏障通透性優(yōu)化）進(jìn)一步驗(yàn)證了該工具的實(shí)際應(yīng)用價(jià)值。綜上所述，Prompt-MolOpt為多屬性和多靶位分子優(yōu)化提供了靈活的方法，展現(xiàn)了其在化學(xué)研究及藥物和材料發(fā)現(xiàn)中的廣泛潛力。
圖1: Prompt-MolOptP的多屬性和多位點(diǎn)BBBP優(yōu)化實(shí)例研究。
圖2: 分子優(yōu)化數(shù)據(jù)集的構(gòu)建。
圖4: Prompt-MolOptP分子優(yōu)化框架概述。
本研究通過引入Prompt-MolOpt，展示了將變換器架構(gòu)與提示學(xué)習(xí)相結(jié)合的創(chuàng)新思路，為多屬性分子優(yōu)化提供了新的可能性。該方法不僅允許研究者在優(yōu)化過程中靈活指定需要保留的分子結(jié)構(gòu)，還通過與領(lǐng)域?qū)＜业幕?dòng)，增強(qiáng)了人工智能在藥物設(shè)計(jì)中的實(shí)用性。這種協(xié)作模式突顯了跨學(xué)科合作的重要性，表明AI技術(shù)的成功應(yīng)用依賴于專業(yè)知識(shí)的支持。
此外，Prompt-MolOpt在零樣本學(xué)習(xí)中的表現(xiàn)，顯示出該方法在數(shù)據(jù)稀缺條件下的潛力，突破了以往模型對(duì)大量標(biāo)記數(shù)據(jù)的依賴。這一發(fā)現(xiàn)為未來的分子優(yōu)化研究開辟了新方向，尤其是在真實(shí)世界應(yīng)用中，如改善藥物的生物利用度和安全性。同時(shí)，研究中提出的構(gòu)建領(lǐng)域相關(guān)數(shù)據(jù)集的方法，為定制化的分子優(yōu)化提供了切實(shí)可行的路徑，強(qiáng)調(diào)了針對(duì)特定應(yīng)用的優(yōu)化策略。
然而，研究也指出了當(dāng)前方法在整合靶點(diǎn)信息和處理手性等方面的不足，未來的研究應(yīng)繼續(xù)探索這些挑戰(zhàn)，進(jìn)一步提升分子優(yōu)化的有效性和適用性。這些啟示不僅推動(dòng)了化學(xué)和藥物開發(fā)領(lǐng)域的發(fā)展，也為其他科學(xué)研究領(lǐng)域的技術(shù)應(yīng)用提供了借鑒。
Wu, Z., Zhang, O., Wang, X. et al. Leveraging language model for advanced multiproperty molecular optimization via prompt engineering. Nat Mach Intell (2024).
原創(chuàng)文章，作者：zhan1，如若轉(zhuǎn)載，請(qǐng)注明來源華算科技，注明出處：http://www.xiubac.cn/index.php/2024/10/31/c5f3373c11/
-透明背底.png)
