본문으로 건너뛰기
TextGrad: Automatic "Differentiation" via TextMert Yuksekgonul et al.

F.4 초기화

보충 그림 1: 분자 초기화. 우리는 세 가지의 다양한 작용기로부터 얻은 단편 분자로 TEXTGRAD를 초기화하고, DOCKSTRING 벤치마크 스위트의 58개 표적 모두에 대해 각 초기 분자를 10회 반복 최적화한다. 각 단편과 각 단백질에 대해, 우리는 방정식 25에 제시된 요약 점수를 사용하여 생성된 분자에 대한 사후 선택을 수행하고 그 결과 분포를 시각화한다. 우리는 시작 단편의 초기 QED 및 Vina 점수 분포가 크게 달라지지만, 최적화된 분자의 분포는 매우 크게 겹치는 것을 관찰한다.
보충 그림 1: 분자 초기화. 우리는 세 가지의 다양한 작용기로부터 얻은 단편 분자로 TEXTGRAD를 초기화하고, DOCKSTRING 벤치마크 스위트의 58개 표적 모두에 대해 각 초기 분자를 10회 반복 최적화한다. 각 단편과 각 단백질에 대해, 우리는 방정식 25에 제시된 요약 점수를 사용하여 생성된 분자에 대한 사후 선택을 수행하고 그 결과 분포를 시각화한다. 우리는 시작 단편의 초기 QED 및 Vina 점수 분포가 크게 달라지지만, 최적화된 분자의 분포는 매우 크게 겹치는 것을 관찰한다.

실제로 분자 최적화는 일반적으로 대규모 사전 최적화 스크리닝에 의해 가속화되며, 여기서 수백만 또는 수십억 개의 기존 화학 구조 라이브러리가 도킹, 약물유사성 및 기타 지표에 의해 점수가 매겨지고 순위가 매겨진다. "리드(leads)"라고 불리는 가장 유망한 구조만이 의약 화학자들에 의해 추가로 개선된다 [104]. TEXTGRAD는 어떤 초기 분자든 최적화할 수 있지만, 본 연구에서는 그 성능을 보다 정확하게 특성화하고 설계가 기존 약물 쪽으로 편향되는 것을 피하기 위해, 대신 그림 1에 표시된 일반적인 작용기의 단순한 단편들로부터 세 개의 초기 분자를 선택한다. 이 단편들은 매우 다양하며 서로 다른 작용기에 속한다. 이러한 초기 단편들은 서로 다른 약물유사성 및 결합 친화도 특성을 가지지만, 시작 단편이 TEXTGRAD의 성능에 미치는 영향은 미미하며, TEXTGRAD는 세 단편 모두로부터 높은 약물유사성과 결합 친화도를 가진 분자를 생성할 수 있다.