Zum Hauptinhalt springen
TextGrad: Automatic "Differentiation" via TextMert Yuksekgonul et al.

E2 Zielfunktionen

Sobald die Scores berechnet wurden, werden sie einem LLM im folgenden Format übergeben.

Prompt zur Moleküloptimierung

Gegeben seien ein Docking- und ein Druglikeness-Score sowie ein Molekül als SMILES-Zeichenkette; liefere eine kurze Kritik, um die Druglikeness dieses Moleküls und seine Bindungsaffinität an das Protein {protein_name} zu verbessern. Beim Docking ist niedriger besser (weniger als −10- 10 gilt als gut) und bei der Druglikeness ist 1 am besten und 0 am schlechtesten (größer als 0,8 gilt als gut). Hinsichtlich der Priorisierung ist der Docking-Score {vina_qed_ratio} mal so wichtig wie der Druglikeness-Score. Stelle sicher, dass deine Kritik sehr prägnant und auf den Punkt gebracht ist.

\\\python\ In unseren Experimenten versuchen wir nicht, ähnliche geometrische Informationen bereitzustellen, da nicht alle LLMs multimodale Eingaben unterstützen. Wir nehmen jedoch den protein_name in den Loss-Prompt auf, um zusätzliche strukturelle Informationen einzuspeisen.

In der Praxis hat die Wirksamkeit eines Medikaments typischerweise eine höhere Priorität als die Absorptionseffizienz [101, 102], daher setzen wir das vina_qed_ratio auf 10. Empirisch beobachten wir, dass wir durch Skalierung dieses Priorisierungsfaktors die Generierung von TEXTGRAD in Richtung von Molekülen mit unterschiedlichen Kompromissen zwischen Bindungsaffinität und Druglikeness lenken können. Diese Priorisierung ermöglicht es uns außerdem, die Post-hoc-Auswahl und das Ranking der generierten Moleküle mit einem einzigen "Gesamt"-Score zu vereinfachen, der wie folgt definiert ist, wobei ein niedrigerer Gesamtscore SoverallS_{overall} ein besseres Molekül anzeigt.

Da der QED-Score zwischen 0 und 1 begrenzt ist und der Vina-Score typischerweise zwischen −3.0- 3.0 und −12.0- 12.0 kcal/mol liegt, legt dieser Gesamtscore etwa 10-mal mehr Gewicht auf die Bindungsaffinität als auf die Druglikeness.