要約
ChatGPT などの会話型大規模言語モデル (LLM) の最近の進歩は、創薬を含むさまざまな領域で顕著な可能性を示しています。
ただし、既存の研究は主に、化学反応と逆合成に関する会話型 LLM の機能を調査することに焦点を当てています。
一方、創薬パイプラインにおける重要なタスクである薬物編集は、ほとんど解明されていないままです。
このギャップを埋めるために、LLM を使用した薬物編集の体系的な調査を容易にするフレームワークである ChatDrug を提案します。
ChatDrug は、プロンプト モジュール、検索およびドメイン フィードバック (ReDF) モジュール、および会話モジュールを共同利用して、効果的な薬物編集を合理化します。
私たちは、ChatDrug が小分子、ペプチド、タンパク質を含む 39 の薬物編集タスクのうち 33 のタスクで最高のパフォーマンスに達することを経験的に示しています。
さらに、10 件のケーススタディを通じて、ChatDrug が操作のための重要な部分構造 (分子の官能基、ペプチドモチーフ、タンパク質構造など) を首尾よく特定し、薬物編集のための多様で有効な提案を生成できることを実証します。
有望なことに、ChatDrug がドメイン固有の観点から洞察力に富んだ説明を提供し、解釈可能性を高め、情報に基づいた意思決定を可能にすることも示します。
この研究は、薬物編集における ChatGPT と会話型 LLM の可能性を明らかにしています。
これにより、より効率的で協調的な創薬パイプラインへの道が開かれ、医薬品の研究開発の進歩に貢献します。
要約(オリジナル)
Recent advancements in conversational large language models (LLMs), such as ChatGPT, have demonstrated remarkable promise in various domains, including drug discovery. However, existing works mainly focus on investigating the capabilities of conversational LLMs on chemical reaction and retrosynthesis. While drug editing, a critical task in the drug discovery pipeline, remains largely unexplored. To bridge this gap, we propose ChatDrug, a framework to facilitate the systematic investigation of drug editing using LLMs. ChatDrug jointly leverages a prompt module, a retrieval and domain feedback (ReDF) module, and a conversation module to streamline effective drug editing. We empirically show that ChatDrug reaches the best performance on 33 out of 39 drug editing tasks, encompassing small molecules, peptides, and proteins. We further demonstrate, through 10 case studies, that ChatDrug can successfully identify the key substructures (e.g., the molecule functional groups, peptide motifs, and protein structures) for manipulation, generating diverse and valid suggestions for drug editing. Promisingly, we also show that ChatDrug can offer insightful explanations from a domain-specific perspective, enhancing interpretability and enabling informed decision-making. This research sheds light on the potential of ChatGPT and conversational LLMs for drug editing. It paves the way for a more efficient and collaborative drug discovery pipeline, contributing to the advancement of pharmaceutical research and development.
arxiv情報
| 著者 | Shengchao Liu,Jiongxiao Wang,Yijin Yang,Chengpeng Wang,Ling Liu,Hongyu Guo,Chaowei Xiao |
| 発行日 | 2023-05-29 14:43:24+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google