DrugImproverGPT：基于结构化策略优化微调的药物优化大语言模型
机器学习
2025-02-12 v1 计算与语言
生物大分子
机器学习
摘要
微调大型语言模型（LLM）对于生成特定目标的结果至关重要。本研究深入探讨药物优化领域，引入一种新型强化学习算法，用于微调药物优化LLM生成模型，以在目标 objectives 方面提升原始药物的性能，同时保持原始药物的有益化学性质。本工作由两个主要组成部分构成：（1）DrugImprover：为提升药物优化的鲁棒性和效率而量身打造的框架。它包括一个专为药物优化设计的LLM，以及一种新颖的结构化策略优化（SPO）算法，该算法在理论上具有依据。这一算法为通过将生成分子的改进与输入分子在所需目标下的改进相匹配，为微调LLM生成模型提供了独特视角。（2）包含100万个化合物的数据集，每个化合物在5个与癌症相关细胞的24个结合位点来自SARS-CoV-2病毒上都有OEDOCK对接评分。我们对SPO进行全面评估，证明其在所需属性方面有效提升了原始药物的性能。我们的代码和数据集将在https://github.com/xuefeng-cs/DrugImproverGPT上公开。
引用
@article{arxiv.2502.07237,
title = {DrugImproverGPT: A Large Language Model for Drug Optimization with Fine-Tuning via Structured Policy Optimization},
author = {Xuefeng Liu and Songhao Jiang and Siyu Chen and Zhuoran Yang and Yuxin Chen and Ian Foster and Rick Stevens},
journal= {arXiv preprint arXiv:2502.07237},
year = {2025}
}