Innováció
Új módszer a molekulák tervezésében: Llamole
A molekulák felfedezése, amelyek rendelkeznek a szükséges tulajdonságokkal új gyógyszerek és anyagok létrehozásához, nehézkes és drága folyamat, amely hatalmas számítási erőforrásokat és hónapoknyi emberi munkát igényel a potenciális jelöltek hatalmas terének szűkítéséhez. Az olyan nagyméretű nyelvi modellek (LLM), mint a ChatGPT, felgyorsíthatják ezt a folyamatot, de a molekulákat alkotó atomok és kötések megértésére és értelmezésére való képességük, ugyanúgy, mint a mondatokat alkotó szavaké, tudományos akadályt jelentett.
A kutatók az MIT és az MIT-IBM Watson AI Laboratóriumból ígéretes megközelítést dolgoztak ki, amely egyesíti az LLM-t más gépi tanulási modellekkel, amelyek grafikon-alapú modellek néven ismertek, és amelyek kifejezetten molekuláris struktúrák generálására és előrejelzésére lettek tervezve.
A módszer egy alap LLM-et használ, hogy értelmezze a természetes nyelvű lekérdezéseket, amelyek a kívánt molekuláris tulajdonságokat specifikálnak. Automatikusan vált a bázis LLM és a grafikon-alapú AI modulok között a molekula megtervezéséhez, a racionalizálás magyarázatához és egy lépésről lépésre szóló terv generálásához.
Az összehasonlítások alapján ez a multimodális technika olyan molekulákat generált, amelyek jobban megfeleltek a felhasználói specifikációknak, és nagyobb valószínűséggel rendelkeztek érvényes szintéziserővel, javítva a sikerarányt 5%-ról 35%-ra. A módszer még a 10-szer nagyobb méretű LLM-eket is felülmúlta, amelyek csak szöveges reprezentációkkal terveznek molekulákat és szintézis útvonalakat, ami arra utal, hogy a multimodalitás kulcs a rendszer sikeréhez.
„Remélhetőleg ez egy végső megoldás lehet, amely a molekula tervezésének és elkészítésének teljes folyamatát automatizálja. Ha egy LLM csak néhány másodperc alatt meg tudná adni a választ, az hatalmas időmegtakarítást jelentene a gyógyszergyártó cégek számára” – mondja Michael Sun, az MIT diplomás hallgatója és a technikáról szóló tanulmány egyik társszerzője.
Sun társszerzői között szerepel Gang Liu, a Notre Dame Egyetem diplomás hallgatója; Wojciech Matusik, az MIT villamosmérnöki és számítástechnikai tanszékének professzora, aki a Számítástechnikai és Mesterséges Intelligencia Laboratórium (CSAIL) számítási tervezési és gyártási csoportját vezeti; Meng Jiang, a Notre Dame Egyetem docense; és Jie Chen, az MIT-IBM Watson AI Laboratóriumának vezető kutatója és menedzsere. A kutatást a Nemzetközi Tanulmányi Konferencián mutatják be.
A Llamole, amely a molekuláris felfedezéshez szükséges nagyméretű nyelvi modellt jelöli, a legjobb megoldások egyesítésére törekszik, hogy olyan molekulákat tervezzen, amelyek megfelelnek a felhasználói igényeknek. A kutatók az LLM és a grafikon-alapú AI modellek integrálásával egy olyan keretrendszert alakítottak ki, amely kihasználja a két megközelítés előnyeit.
„A Llamole a molekuláris struktúrák tervezésére és a szintézis lépéseinek előrejelzésére vonatkozóan is új módszereket alkalmaz, amelyeket a grafikonok és a természetes nyelv kombinálásával valósít meg” – tette hozzá Liu.
Érdekes tény: A mesterséges intelligencia képes az új gyógyszerek felfedezésére, és a legújabb kutatások szerint a folyamat automatizálása akár 70%-kal is csökkentheti a gyógyszerek fejlesztési idejét.
Források: MIT News, Nature, ScienceDirect
