E2 Funciones objetivo
Una vez calculadas las puntuaciones, se pasan a un LLM en el siguiente formato.
Indicación de optimización de moléculas
Dadas una puntuación de acoplamiento y una puntuación de farmacocinesia, y una molécula como cadena SMILES, proporciona una crítica breve para mejorar la farmacocinesia de esta molécula y su afinidad de unión con la proteína {protein_name}. Para el acoplamiento, cuanto menor, mejor (menos de se considera bueno) y para la farmacocinesia, 1 es lo mejor y 0 lo peor (más de 0,8 se considera bueno). En cuanto a la priorización, la puntuación de acoplamiento es {vina_qed_ratio} veces más importante que la puntuación de farmacocinesia. Asegúrate de que tu crítica sea muy sucinta y directa.
\\\python\ nuestros experimentos, no intentamos proporcionar información geométrica similar, ya que no todos los LLM admiten entradas multimodales. Sin embargo, incluimos protein_name en la indicación de pérdida para inyectar información estructural suplementaria.
En la práctica, la eficacia del fármaco suele ser una prioridad mayor que la eficiencia de absorción [101, 102], por lo que establecemos el vina_qed_ratio en 10. Empíricamente, observamos que al escalar este factor de priorización, podemos ajustar la generación de TEXTGRAD hacia moléculas con diferentes compensaciones entre afinidad de unión y farmacocinesia. Esta priorización también nos permite simplificar la selección y clasificación a posteriori de las moléculas generadas con una única puntuación "global" definida como sigue, donde una puntuación global más baja indica una mejor molécula.
Dado que la puntuación QED está acotada entre 0 y 1, y la puntuación Vina suele oscilar entre y kcal/mol, esta puntuación global pone aproximadamente 10 veces más énfasis en la afinidad de unión que en la farmacocinesia.