Модели с дополненной выборкой для сопоставленных молекулярных пар в трансформациях для воссоздания интуиции медицинской химии
Изображение создано Gemini AI
Исследователи разработали новую базовую модель для генерации химических аналогов с использованием сопоставленных молекулярных пар (MMPs). Эта модель позволяет создавать разнообразные переменные на основе заданных пользователем паттернов трансформации, что повышает управляемость процесса. Метод, названный MMPT-RAG, включает внешние ссылки для улучшения контекстной релевантности. Эксперименты показывают значительные улучшения в разнообразии и новизне генерируемых соединений, что делает его ценным инструментом для медицины и практического открытия лекарств.
Достижения в области машинного обучения для медицинской химии
Недавние разработки в области машинного обучения улучшают медицинскую химию с помощью моделей, основанных на извлечении, которые фокусируются на трансформациях совпадающих молекулярных пар (MMPT). Эти модели облегчают создание различных молекулярных аналогов, соответствующих процессам проектирования химиков.
Совпадающие молекулярные пары отражают локальные химические изменения, которые химики обычно используют. Традиционные методы сталкивались с трудностями в этой задаче, анализируя либо целые молекулы, либо обучаясь на ограниченных наборах данных. Новая формулировка переменной в переменную направлена на решение этих проблем, обучая базовую модель на обширных трансформациях MMP.
Инновационный дизайн модели
Модель повышает генерацию аналогов, кондиционируя выходные данные на основе входной переменной, что улучшает управляемость трансформаций. Кроме того, механизмы запроса позволяют пользователям задавать желаемые шаблоны трансформации, обеспечивая большую гибкость.
Внедряя фреймворк, основанный на извлечении, известный как MMPT-RAG, модель использует внешние ссылочные аналоги для контекстного руководства, значительно улучшая обобщение в рамках конкретных проектных серий.
Экспериментальная валидация
Эксперименты на общих химических корпусах и патентных наборах данных показали:
- Увеличение разнообразия сгенерированных молекулярных структур
- Улучшение новизны, приводящее к уникальным аналогам
- Повышение управляемости, позволяющее получать адаптированные результаты
Эти результаты указывают на то, что модель успешно восстанавливает реалистичные структуры аналогов, которые могут упростить рабочие процессы для медицинских химиков.
Связанные темы:
📰 Первоисточник: https://arxiv.org/abs/2602.16684v1
Все права и авторство принадлежат первоначальному издателю.