利用大语言模型在药物分子与适应症之间翻译的新兴机遇
人工智能
2024-02-20 v2 计算与语言
摘要
药物分子是一种改变生物体心理或生理状态的物质。每种获批药物都有适应症，指该药物治疗特定医疗条件的治疗用途。尽管大语言模型（LLM）作为一种生成式人工智能（AI）技术，最近在分子与其文本描述之间的翻译中显示出有效性，但在促进药物分子与适应症之间（或反之亦然）的翻译方面仍存在研究空白，而这可能极大地有益于药物发现过程。从给定适应症生成药物的能力将允许发现针对特定疾病或靶点的药物，并最终为患者提供更好的治疗。在本文中，我们首先提出一个新任务，即药物分子与相应适应症之间的翻译，然后测试现有LLM在该新任务上的表现。具体而言，我们考虑了T5 LLM的九种变体，并在从ChEMBL和DrugBank获得的两个公共数据集上进行了评估。我们的实验展示了使用LLM完成此任务的早期结果，并提供了对当前最先进技术的视角。我们还强调了当前的局限性，并讨论了有潜力提高此任务性能的未来工作。从适应症生成分子，或反之亦然，将允许更高效地靶向疾病，并显著降低药物发现成本，有潜力在生成式AI时代彻底改变药物发现领域。
引用
@article{arxiv.2402.09588,
title = {Emerging Opportunities of Using Large Language Models for Translation Between Drug Molecules and Indications},
author = {David Oniani and Jordan Hilsman and Chengxi Zang and Junmei Wang and Lianjin Cai and Jan Zawala and Yanshan Wang},
journal= {arXiv preprint arXiv:2402.09588},
year = {2024}
}