E2 목적 함수
점수가 계산되면, 다음 형식으로 LLM에 전달된다.
분자 최적화 프롬프트
도킹 점수와 약물유사성 점수, 그리고 SMILES 문자열로서의 분자가 주어지면, 이 분자의 약물유사성과 단백질 {protein_name}과의 결합 친화도를 개선하기 위한 간단한 비판을 제공하라. 도킹의 경우 낮을수록 좋으며( 미만이 좋은 것으로 간주됨), 약물유사성의 경우 1이 최고이고 0이 최악이다(0.8 초과가 좋은 것으로 간주됨). 우선순위 측면에서, 도킹 점수는 약물유사성 점수보다 {vina_qed_ratio}배 중요하다. 비판은 매우 간결하고 요점에 맞도록 하라.
\\\python\\` 우리의 실험에서는 모든 LLM이 멀티모달 입력을 지원하는 것은 아니므로 유사한 기하학적 정보를 제공하려고 시도하지 않는다. 그러나 우리는 손실 프롬프트에 protein_name을 포함시켜 보충적인 구조 정보를 주입한다.
실제로 약물 효능은 일반적으로 흡수 효율보다 우선순위가 높으므로 [101, 102], 우리는 vina_qed_ratio를 10으로 설정한다. 경험적으로, 우리는 이 우선순위 계수를 조정함으로써 TEXTGRAD의 생성을 서로 다른 결합 친화도 및 약물유사성 트레이드오프를 가진 분자 쪽으로 조정할 수 있음을 관찰한다. 이 우선순위는 또한 다음과 같이 정의된 단일 "종합" 점수로 생성된 분자의 사후 선택 및 순위 매기기를 단순화할 수 있게 한다. 여기서 종합 점수 이 낮을수록 더 좋은 분자를 나타낸다.
QED 점수는 0과 1 사이로 제한되고 Vina 점수는 일반적으로 에서 kcal/mol 범위이므로, 이 종합 점수는 결합 친화도에 약물유사성보다 약 10배 더 큰 비중을 둔다.