DrugAssist:基于LLM的分子优化模型 可以用自然语言与人类实时交互

　　2月4日 消息:随着近年来大型语言模型(LLMs)在语言处理领域的显著进展，研究人员尝试将这些模型应用于药物发现，以优化相关任务。然而，在药物发现的分子优化方面，LLMs并未取得显著进展。现有方法通常侧重于利用数据中提供的化学结构的模式，而忽视了领域专家的反馈和经验。这在问题上造成了困扰，因为药物发现流程涉及整合来自领域专家的反馈，以进一步完善流程。

　　为填补先前工作中的差距，研究人员着重于人机交互，利用强大的LLMs的交互性和通用性。他们发布了MolOpt-Instructions，这是一个用于在分子优化任务上对LLMs进行微调的大型基于指令的数据集。此数据集涵盖了与分子优化相关的任务，确保了分子之间的相似性约束和性质之间的实质性差异。此外，他们还提出了DrugAssist，这是一个基于Llama-2-7B-Chat的分子优化模型，能够通过人机对话进行交互式优化。通过这些对话，专家可以进一步引导模型并优化最初生成的结果。

　　为了评估，研究人员将DrugAssist与两个先前的分子优化模型和三个LLMs进行了比较，评估指标包括溶解度和BP以及成功率和有效性等。根据结果显示，DrugAssist在多属性优化方面持续取得有希望的成果，并在给定范围内保持了优化的分子性质值。

　　此外，研究人员还通过案例研究展示了DrugAssist的卓越能力。在零样本设置下，模型被要求同时将两个属性BP和QED的值至少增加0.1，即使在训练过程中仅暴露于数据，该模型也成功完成了任务。此外，DrugAssist还成功地将给定分子的logP值增加了0.1，即使这个属性没有包含在训练数据中。这展示了模型在零样本和少样本设置下的良好可迁移性，使用户有可能同时结合个别属性并进行优化。最后，在交互过程中，模型生成了一个不符合要求的分子的错误答案。然而，它通过人类反馈纠正了错误并提供了正确的响应。

　　总体而言，DrugAssist是一种基于Llama-2-7B-Chat模型的分子优化模型，能够实时与人类进行互动。它在单属性和多属性优化中展现了出色的结果，表现出很强的可迁移性。