arXiv 2305.180902023-05-29q-bio.BMcs.AIcs.LG

基于检索与领域反馈的 ChatGPT 驱动对话式药物编辑

ChatGPT-powered Conversational Drug Editing Using Retrieval and Domain Feedback

Mila-Québec Artificial Intelligence Institute（米拉-魁北克人工智能研究所）；Arizona State University（亚利桑那州立大学）；Princeton University（普林斯顿大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Université de Montréal（蒙特利尔大学）；National Research Council Canada（加拿大国家研究委员会）

Shengchao Liu, Jiongxiao Wang, Yijin Yang, Chengpeng Wang, Ling Liu, Hongyu Guo, Chaowei Xiao

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

本文提出 ChatDrug 框架，结合提示、检索与领域反馈及对话模块，利用 ChatGPT 实现小分子、肽和蛋白质的高效药物编辑，并在多数任务上取得最佳性能。

摘要：

近期，以 ChatGPT 为代表的对话式大语言模型（LLMs）在包括药物发现在内的多个领域展现出显著潜力。然而，现有工作主要集中于考察对话式 LLMs 在化学反应和逆合成方面的能力，而药物编辑这一药物发现流程中的关键任务仍基本未被探索。为弥补这一空白，我们提出了 ChatDrug，一个利用 LLMs 促进药物编辑系统化研究的框架。ChatDrug 联合利用提示模块、检索与领域反馈（ReDF）模块以及对话模块，以简化并实现有效的药物编辑。我们通过实验表明，ChatDrug 在 39 项药物编辑任务中的 33 项上取得了最佳性能，任务涵盖小分子、肽和蛋白质。进一步通过 10 个案例研究，我们证明 ChatDrug 能够成功识别用于操作的关键子结构（例如分子官能团、肽基序和蛋白质结构），并生成多样且有效的药物编辑建议。令人鼓舞的是，我们还表明 ChatDrug 能够从领域特定视角提供具有洞察力的解释，从而增强可解释性并支持知情决策。本研究揭示了 ChatGPT 及对话式 LLMs 在药物编辑方面的潜力，为更高效、更具协作性的药物发现流程铺平了道路，有助于推动制药研究与开发的发展。

英文摘要：

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.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。