DrugChat:面向药物分子图实现类ChatGPT能力
生物大分子
2023-09-11 v1 机器学习
摘要
一个面向药物化合物的类ChatGPT系统可能成为药物研究的游戏规则改变者,加速药物发现、增进对构效关系的理解、指导先导优化、辅助药物重定位、降低失败率并精简临床试验。本工作中,我们通过开发原型系统DrugChat,初步尝试在药物分子图上实现类ChatGPT能力。DrugChat的工作方式与ChatGPT类似。用户上传化合物分子图并就该化合物提出各种问题。DrugChat以多轮交互方式回答这些问题。DrugChat系统由图神经网络(GNN)、大语言模型(LLM)和适配器组成。GNN以化合物分子图为输入并学习该图的表示。适配器将GNN产生的图表示变换为LLM可接受的另一种表示。LLM以适配器变换后的化合物表示及用户关于该化合物的问题为输入并生成答案。所有组件均端到端训练。为训练DrugChat,我们收集了包含10,834个药物化合物和143,517个问答对的指令微调数据集。代码与数据见\url{https://github.com/UCSD-AI4H/drugchat}
引用
@article{arxiv.2309.03907,
title = {DrugChat: Towards Enabling ChatGPT-Like Capabilities on Drug Molecule Graphs},
author = {Youwei Liang and Ruiyi Zhang and Li Zhang and Pengtao Xie},
journal= {arXiv preprint arXiv:2309.03907},
year = {2023}
}