メインコンテンツへスキップ
TextGrad: Automatic "Differentiation" via TextMert Yuksekgonul et al.

E2 目的関数

スコアが計算されると、それらは以下の形式でLLMに渡される。

分子最適化プロンプト

ドッキングスコアと薬剤らしさスコア、およびSMILES文字列としての分子が与えられたとき、この分子の薬剤らしさとタンパク質{protein_name}との結合親和性を改善するための短い批判を提供せよ。ドッキングについては、低いほど良い(−10- 10未満は良好と見なされる)。薬剤らしさについては、1が最良で0が最悪である(0.8より大きい場合は良好と見なされる)。優先順位に関しては、ドッキングスコアは薬剤らしさスコアの{vina_qed_ratio}倍重要である。批判は非常に簡潔かつ要点を押さえたものにせよ。

\\\python\ 我々の実験では、すべてのLLMがマルチモーダル入力をサポートしているわけではないため、類似の幾何学的情報を提供しようとは試みない。しかし、補足的な構造情報を注入するために、損失プロンプトにprotein_nameを含める。

実際には、薬効は通常、吸収効率よりも優先度が高い[101, 102]ため、vina_qed_ratioを10に設定する。経験的に、この優先度係数をスケーリングすることで、TEXTGRADの生成を、結合親和性と薬剤らしさのトレードオフが異なる分子へと調整できることを観察している。この優先順位付けにより、生成された分子の事後的な選択とランキングを、以下のように定義される単一の「総合」スコアで簡素化することも可能になる。ここで、総合スコアSoverallS_{overall}が低いほど、より良い分子を示す。

QEDスコアは0から1の間に収まり、Vinaスコアは通常−3.0- 3.0から−12.0- 12.0 kcal/molの範囲にあるため、この総合スコアは結合親和性に薬剤らしさの約10倍の重みを置くことになる。