← 返回首頁

DrugGen-2把疾病脈絡放進分子設計,AI藥物發現再往病理現場靠近

這篇尚未同儕審查的預印本,提出一個不只看蛋白質標靶、也納入疾病本身的生成式模型;它的價值不在宣告新藥誕生,而在提醒AI藥物設計必須面對更複雜的生物情境。

By SURL BioNews

藥物分子不會在真空中發揮作用。同一個蛋白質標靶,放在不同疾病、不同組織發炎狀態或代謝環境裡,可能牽動完全不同的治療意義。7月9日刊登於arXiv的一篇預印本提出DrugGen-2,試圖把這層疾病脈絡納入小分子生成式AI的設計流程,讓模型不只是回答「什麼分子可能黏上這個蛋白」,也開始處理「在這個疾病中,這個標靶為何重要」。

研究團隊描述,DrugGen-2以預訓練GPT-2模型為基礎,經由已核准藥物、疾病與蛋白質標靶之間的整理資料進行微調。模型輸入同時包含疾病本體論資訊與目標蛋白序列,輸出則是候選小分子;訓練過程先做監督式微調,再使用group relative policy optimization進行強化學習,獎勵函數涵蓋化學有效性、新穎性、多樣性與預測結合親和力。

這種設計瞄準的是藥物發現中的一個老問題:許多電腦輔助分子生成工具偏重標靶或分子性質,較少明確處理疾病背景。對糖尿病腎病變這類多因素疾病而言,病理過程涉及血管張力、發炎、纖維化與代謝壓力,單一標靶的分子結合分數不足以代表臨床價值。DrugGen-2的主張,是讓模型在生成階段便把疾病與標靶的關係放進條件之中。

在預印本中的測試,研究者以5個與糖尿病腎病變相關的蛋白質標靶評估模型,並與DrugGPT、DrugGen等基準模型比較。論文摘要稱,DrugGen-2在生成獨特分子、結構多樣性、與已核准藥物的結構相似性,以及預測結合表現上均優於比較對象。分子對接分析也顯示,部分候選配體的預測親和力高於參考藥物,例如針對血管收縮素轉換酶的候選分子,在模型分析中表現優於enalapril。

不過,這些結果仍屬計算層級證據。分子對接與預測親和力可以幫助排序候選物,卻不能替代體外實驗、細胞模型、動物藥效與毒理評估,更不能直接推論人體療效。尤其糖尿病腎病變牽涉長期慢性病程與多重共病,真正可用的藥物還必須通過吸收、分布、代謝、排泄、脫靶風險與安全性等多道關卡。

這篇研究的意義,因此比較像是方法學上的推進,而不是治療突破的宣告。若疾病本體論與標靶序列確實能穩定改善候選分子的品質,未來AI藥物設計可能從「標靶導向」進一步走向「疾病情境導向」。但預印本資料有限,也尚未經同儕審查;DrugGen-2能否在更廣疾病、更多標靶與實驗驗證中維持優勢,才是它從演算法展示走向藥物研發工具的關鍵考驗。

References

  1. arXiv