Ir al contenido principal
TextGrad: Automatic "Differentiation" via TextMert Yuksekgonul et al.

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 −10- 10 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 SoverallS_{overall} más baja indica una mejor molécula.

Dado que la puntuación QED está acotada entre 0 y 1, y la puntuación Vina suele oscilar entre −3.0- 3.0 y −12.0- 12.0 kcal/mol, esta puntuación global pone aproximadamente 10 veces más énfasis en la afinidad de unión que en la farmacocinesia.