返回
AutoLead: An LLM-Guided Bayesian Optimization Framework for Multi-Objective Lead Optimization
DOI:10.1021/acs.jcim.6c00148.png)
摘要
En 中文
药物发现中的先导化合物优化过程是一个复杂的多目标挑战,仍然是新疗法开发的主要瓶颈。传统方法在高效探索广阔化学空间的同时优化多个(有时相互冲突的)分子属性方面往往难以奏效。在此工作中,我们提出AutoLead框架,该框架整合了大语言模型(LLMs)和多目标贝叶斯优化来应对这一挑战。通过利用LLMs的化学推理能力,AutoLead有效引导了对满足多个目标的创新药物分子的搜索。我们在两项分子优化任务上评估了该方法,取得了当前最佳结果。此外,我们引入了一个围绕更现实的先导化合物优化场景设计的新基准数据集,其中任务是修改违反“五规则”的化合物,以同时满足所有标准并提高其QED分数。通过大量实验和详细案例研究,我们展示了结合LLMs与黑箱优化技术以实现更高效、更实用的药物发现的潜力。
Keyword:
Drug discovery
Molecular modeling
Molecules
Optimization
Partition coefficient
期刊
IF:
5.3
论文数:
9.1K
被引数:
4.0W
机构
引用论文
The art and practice of structure-based drug design: A molecular modeling perspective基于结构的药物设计的艺术与实践: 分子建模视角
A graph-based genetic algorithm and generative model/Monte Carlo tree search for the exploration of chemical space基于图的遗传算法和生成模型/蒙特卡洛树搜索的化学空间探索
CHEMICAL SCIENCE
IF7.4
SMILES, a chemical language and information system. 1. Introduction to methodology and encoding rules微笑,一种化学语言和信息系统。1.介绍方法和编码规则
Molecular Sets (MOSES): A Benchmarking Platform for Molecular Generation Models分子集 (MOSES): 分子生成模型的基准测试平台
Multi-modal molecule structure-text model for text-based retrieval and editing用于文本检索和编辑的多模态分子结构-文本模型

