Un nuovo approccio per la progettazione di farmaci con LLM

La progettazione di farmaci basata su strutture (SBDD) è un campo in rapida evoluzione, e i modelli linguistici di grandi dimensioni (LLM) stanno dimostrando un potenziale significativo. Tuttavia, l'applicazione degli LLM in questo settore è stata finora limitata dalla loro comprensione imperfetta delle strutture proteiche e dalla difficoltà nel generare molecole prevedibili.

Per superare queste sfide, un nuovo studio introduce Exploration-Augmented Latent Inference for LLMs (ELILLM), un framework che riorganizza il processo di generazione degli LLM in tre fasi distinte: codifica, esplorazione dello spazio latente e decodifica. ELILLM esplora attivamente aree del problema di progettazione che vanno oltre la conoscenza attuale del modello, utilizzando un modulo di decodifica per gestire le regioni più familiari. Questo approccio consente di generare molecole chimicamente valide e sinteticamente ragionevoli.

Ottimizzazione bayesiana e validità chimica

ELILLM utilizza l'ottimizzazione bayesiana per guidare l'esplorazione sistematica degli embedding latenti. Un modello surrogato, sensibile alla posizione, prevede in modo efficiente le distribuzioni dell'affinità di legame per informare la ricerca. La decodifica guidata dalla conoscenza riduce ulteriormente la casualità e impone efficacemente vincoli di validità chimica.

I risultati ottenuti sul benchmark CrossDocked2020 dimostrano che ELILLM è in grado di migliorare significativamente le capacità degli LLM per la SBDD, mostrando una forte esplorazione controllata e punteggi elevati di affinità di legame rispetto a sette metodi di riferimento.

Il futuro della progettazione di farmaci

Questo studio rappresenta un passo avanti significativo nell'applicazione degli LLM alla progettazione di farmaci. ELILLM offre un approccio promettente per superare le limitazioni attuali e sfruttare appieno il potenziale degli LLM in questo campo cruciale.