TextGrad: Automatic "Differentiation" via TextMert Yuksekgonul et al.
E2 目标函数
一旦计算出分数,它们会以以下格式传递给 LLM。
分子优化提示
给定对接分数和成药性分数,以及作为 SMILES 字符串的分子,请提供简短的批评意见,以改善该分子的成药性及其与蛋白 {protein_name} 的结合亲和力。对于对接,越低越好(低于 被认为良好);对于成药性,1 为最佳,0 为最差(大于 0.8 被认为良好)。在优先级方面,对接分数的重要性是成药性分数的 {vina_qed_ratio} 倍。请确保你的批评非常简洁且切中要点。
\\\python\在我们的实验中,我们不尝试提供类似的几何信息,因为并非所有 LLM 都支持多模态输入。然而,我们确实在损失提示中包含了 protein_name,以注入补充性的结构信息。
在实践中,药物疗效通常比吸收效率具有更高的优先级 [101, 102],因此我们将 vina_qed_ratio 设为 10。根据经验,我们观察到通过缩放该优先级因子,我们可以将 TEXTGRAD 的生成调向具有不同结合亲和力和成药性权衡的分子。这种优先级设置还使我们能够用如下定义的单一“总体”分数来简化生成分子的后验选择和排名,其中总体分数 越低表示分子越好。
由于 QED 分数介于 0 和 1 之间,而 Vina 分数通常在 到 kcal/mol 之间,因此该总体分数对结合亲和力的重视程度大约是对成药性的 10 倍。