跳到主要内容
TextGrad: Automatic "Differentiation" via TextMert Yuksekgonul et al.

3.4 分子优化

TEXTGRAD 支持多种优化问题,包括科学和工程应用中常见的多目标优化任务。例如,在药物发现中,研究人员寻求发现或设计在可合成性、有效性和安全性方面最大化各种目标的分子 [53, 54]。为了展示 TEXTGRAD 在多目标优化中的应用,我们将 TEXTGRAD 应用于药物分子优化,并展示我们的框架如何与计算工具对接,并优化化学结构以同时提高其结合亲和力和成药性。

任务:潜在药物分子的一个关键考虑因素是其结合亲和力,它表示分子与其蛋白质靶标之间相互作用的强度。药物设计者寻求对相关药物靶标具有高结合亲和力的分子,因为它们需要更低且更少的剂量即可实现疗效。这种亲和力可以通过自由能 ΔG\Delta G 来量化,它描述了结合与未结合配体-受体对之间的概率比。 ΔG\Delta G 可以使用蛋白质-配体结合的“对接”模拟来估计 [55, 56]。在我们的实验中,我们采用 Autodock Vina 工具中的 Vina 分数,这是一个广泛使用的基于物理的对接模拟器 [57]。Vina 分数越负,药物与其预期靶标结合的概率就越大。

潜在药物分子还通过其成药性进行评估,成药性估计分子在体内关于溶解度、渗透性、代谢稳定性和转运体效应的行为。具有高成药性的分子更可能被身体吸收并到达其靶标 [58]。“成药性”的一个流行指标是药物相似性定量估计(QED)分数,它是分子量、亲脂性、极性表面积等重要化学特征的加权复合指标。QED 分数范围为 0 到 1,其中 1 表示高成药性 [59]。

尽管成功分子还有许多其他考虑因素,但在我们的实验中,由于这两个指标相对成熟,我们将目标限制为最小化 Vina 分数和最大化 QED。这两个指标之间相互竞争的权衡使优化任务既现实又具有挑战性。具体而言,对接分数往往偏好具有许多官能团、能最大化与结合位点相互作用的大型分子 [55, 56, 60]。相反,成药性鼓励具有更好吸收性质的更轻、更简单的分子 [58, 59]。因此,同时优化这两个目标并非易事。

方法:我们通过将分子编码为 SMILES 字符串,并从 Vina 和 QED 分数构建多目标损失,将 TEXTGRAD 应用于药物分子优化。也就是说,我们对 SMILES 字符串进行实例优化,其中 TEXTGRAD 针对多目标损失生成的梯度用于更新表示分子的文本。

Evaluation=LLM((Affinity(SMILESi,target),Druglikeness(SMILESi))SMILESi+1=TGD.step(SMILESi,∂Evaluation∂SMILESi)(17)\begin{array}{r l} & {\mathrm{Evaluation} = \mathrm{LLM}((\mathrm{Affinity}(\mathrm{SMILES}{i},\mathrm{target}),\mathrm{Druglikeness}(\mathrm{SMILES}{i}))}\\ & {\mathrm{SMILES}{i + 1} = \mathrm{TGD.step}\left(\mathrm{SMILES}{i},\frac{\partial \mathrm{Evaluation}}{\partial \mathrm{SMILES}_{i}}\right)} \end{array} \quad (17)

我们使用 gpt-4o 作为我们的 LLM,提示文本见附录 F.2。在每次迭代中,通过使用 Autodock Vina 的 Vina 分数估计当前分子与靶标蛋白的结合亲和力,并使用 RDKit 的 QED 分数评估成药性,从而对当前分子进行评估(附录 F.1)。每个分子初始化为来自官能团的小化学片段。我们将 TEXTGRAD 应用于 DOCKSTRING 分子评估基准中的所有 58 个靶标 [61]。这 58 个靶标由从多种结构类别中采样的临床相关蛋白质组成,其中 29 个已有临床批准药物。对于每个靶标,我们使用 TEXTGRAD 对起始片段优化 10 次迭代,针对 3 个唯一初始片段。为了评估我们的性能,我们将 TEXTGRAD 生成的分子特征与相应蛋白质的临床批准药物进行比较(附录 F.3)。

结果:对于所有58个靶标,TEXTGRAD均能一致地生成具有改善的结合亲和力和类药性的分子,而与初始起始片段无关(附录F.4)。对于29个已有临床批准药物的蛋白质靶标,我们观察到,与使用相同损失函数评估的临床分子相比,

图2:通过文本进行分子优化。TEXTGRAD优化一个起始苯片段,以提高其成药性(更高的QED)和对蛋白质受体PPARA的结合亲和力(更低的vina评分)。前三次迭代的文本梯度如(a)所示,所有十次迭代的性能与靶向PPARA的临床批准分子的比较如(c)所示。最终迭代的分子与其最相似的临床批准对应物具有较低的结构相似性,并具有更好的QED和Vina评分(d),其姿态几何形状高度合理,如(e)所示。在29个靶标和三个初始片段上,TextGrad成功设计了具有与临床批准分子相似的vina评分和更高QED评分的分子(b)。
图2:通过文本进行分子优化。TEXTGRAD优化一个起始苯片段,以提高其成药性(更高的QED)和对蛋白质受体PPARA的结合亲和力(更低的vina评分)。前三次迭代的文本梯度如(a)所示,所有十次迭代的性能与靶向PPARA的临床批准分子的比较如(c)所示。最终迭代的分子与其最相似的临床批准对应物具有较低的结构相似性,并具有更好的QED和Vina评分(d),其姿态几何形状高度合理,如(e)所示。在29个靶标和三个初始片段上,TextGrad成功设计了具有与临床批准分子相似的vina评分和更高QED评分的分子(b)。

TEXTGRAD生成的分子具有极具竞争力的亲和力和类药性(图2(b))。所得分子与临床批准的对应物及现有化合物相比表现出独特的结构(附录F.5),同时保持相似的计算机安全特征(附录F.6)。尽管存在其他用于从头分子生成的机器学习方法,但TEXTGRAD相较同类方法具有两个关键优势:首先,通过将传统化学信息学工具与LLM的通用知识和推理能力相结合,TEXTGRAD即使在没有先验训练集的情况下也能产生有竞争力的结果。其次,TEXTGRAD的自然语言梯度框架产生可解释的决策,使研究人员能够精确理解分子结构是如何以及为何被构建的。这两项特性共同为AI智能体在科学发现中的作用展现了充满希望的未来。