返回
Large Language Model Agent for Modular Task Execution in Drug Discovery
DOI:10.1021/acs.jcim.5c02454.png)
摘要
En 中文
我们提出了一种由大型语言模型(LLMs)驱动的模块化框架,该框架自动化并简化了早期计算药物发现流程中的关键任务。通过结合LLM推理与领域特定工具,该框架执行生物医学数据检索、基于检索增强生成的文献支撑问答、分子生成、多属性预测、属性感知分子优化以及3D蛋白质-配体结构生成。该智能体自主检索相关的生物分子信息,包括FASTA序列、SMILES表示和文献,并以比标准LLMs更高的上下文准确性回答机制性问题。随后,它生成化学多样性种子分子并预测75种属性,包括与ADMET相关的和一般物理化学描述符,这些属性指导迭代分子优化。经过两轮优化,QED>0.6的分子数量从34个增加到55个。满足经验药物相似性过滤器的分子数量也有所增加;例如,在100个分子的池中,Ghose过滤器的符合数量从32个增加到55个。该框架还采用Boltz-2生成3D蛋白质-配体复合物,并为候选化合物提供快速的结合亲和力估计。这些结果表明,该方法有效支持分子筛选、优先级排序和结构评估。其模块化设计使工具和模型的灵活集成成为可能,为AI辅助疗法发现提供了可扩展的基础。
Keyword:
MOLECULAR-DYNAMICS
PERMEABILITY
PREDICTION
PROTEIN
期刊
IF:
5.3
论文数:
9.1K
被引数:
4.0W
机构
引用论文
MolPROP: Molecular Property prediction with multimodal language and graph fusionMolPROP: 多模态语言和图融合的分子特性预测
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
Enhanced binding of the N501Y-mutated SARS-CoV-2 spike protein to the human ACE2 receptor: insights from molecular dynamics simulationsN501Y-mutated SARS-CoV-2刺突蛋白与人类ACE2受体的增强结合: 来自分子动力学模拟的见解
FEBS LETTERS
IF3

