机构名称：
¥ 1.0
开发新药是费力且昂贵的，要求大量的时间投资。在这项研究中，我们引入了一种创新的De-Novo药物设计策略，该策略利用了语言模型为特定蛋白设计有针对性的药物的能力。使用近端政策优化（PPO）采用加固学习（RL）框架，我们重新确定了模型以获取为量身定制的蛋白质目标的药物的策略。我们的方法集成了复合奖励功能，结合了药物目标相互作用和分子有效性的考虑。在进行RL调整后，我们的方法表明了令人鼓舞的结果，分子有效性，相互作用的效率和关键化学性能的产生显着提高，可在分子体重（MW）和4.47的二十五（QED）上获得65.37的量化药物（QED）的定量估计（321.55），以及4.47的作品（MW）和4.47的作者。此外，在产生的药物中，只有0.041％的人不显示新颖性。
通过语言模型增强的靶向分子生成增强的增强学习
主要关键词
相关文件推荐
