在藥物設(shè)計的關(guān)鍵研究領(lǐng)域，我們面臨的挑戰(zhàn)遠(yuǎn)非單一維度所能概括，復(fù)雜的設(shè)計任務(wù)往往需要滿足多個約束條件。隨著AI驅(qū)動的計算方法的深度整合，我們在初篩活性分子的效率和效果上取得了顯著的進(jìn)步，但AI在分子優(yōu)化中的研究相對較少，進(jìn)展相對緩慢。
2024年10月21日，浙江大學(xué)藥學(xué)院侯廷軍和謝昌諭團(tuán)隊、中南大學(xué)曹東升團(tuán)隊在《Nature Machine Intelligence》上發(fā)表了題為“Leveraging Language Model for Advanced Multi-Property Molecular Optimization via Prompt Engineering”的研究成果，一種利用提示學(xué)習(xí)來進(jìn)行多性質(zhì)分子優(yōu)化的方法Prompt-MolOpt。該算法利用提示學(xué)習(xí)的訓(xùn)練策略，實現(xiàn)了零樣本學(xué)習(xí)和少樣本學(xué)習(xí)在多性質(zhì)優(yōu)化中的應(yīng)用，使模型能夠在單性質(zhì)數(shù)據(jù)訓(xùn)練的情況下也能有效處理多性質(zhì)的優(yōu)化任務(wù)。此外，通過將輸入數(shù)據(jù)從傳統(tǒng)的canonical SMILES字符串轉(zhuǎn)變?yōu)橐粋€更加細(xì)致且目標(biāo)性強的格式（包括待優(yōu)化性質(zhì)標(biāo)簽、藥效團(tuán)分隔符、藥效團(tuán)、待優(yōu)化基團(tuán)分隔符和待優(yōu)化基團(tuán)五個部分），該算法能夠在性質(zhì)優(yōu)化的同時保留藥效團(tuán)的完整性。實驗結(jié)果表明，Prompt-MolOpt在多性質(zhì)優(yōu)化中優(yōu)于現(xiàn)有的方法。該方法有望提高分子優(yōu)化的成功率，并確保優(yōu)化過程中藥效團(tuán)的完整性，為分子設(shè)計和藥物開發(fā)領(lǐng)域提供一種高效、精準(zhǔn)且可靠的優(yōu)化工具。
圖1. Prompt-MolOpt構(gòu)建流程。
浙江大學(xué)藥學(xué)院為本論文的第一署名單位，浙江大學(xué)藥學(xué)院博士后吳振興為第一作者，浙江大學(xué)侯廷軍教授和謝昌諭教授、中南大學(xué)曹東升教授為共同通訊作者。
