为AI制药带来新工具：浙大侯廷军团队开发基于大语言模型的多属性分子优化工具

浙江大学智能创新药物研究院＆药学院侯廷军教授、谢昌谕教授、中南大学曹东升教授及碳硅智慧（CarbonSilicon AI）的研究人员合作，在 Nature 子刊 Nature Machine Intelligence 上发表了题为：Leveraging language model for advanced multiproperty molecular optimization via prompt engineering 的研究论文。

该研究开发了一个分子优化工具——Prompt-MolOpt，它利用了在大型语言模型（large language model，LLM）中使用的基于提示词（Prompt）的嵌入，以提高transformer进行多属性分子优化的能力。

Prompt-MolOpt是一个分子优化工具，它利用了在大型语言模型（large language model，LLM）中使用的基于提示词（Prompt）的嵌入，以提高transformer为特定属性调整优化分子的能力。值得注意的是，Prompt-MolOpt擅长处理有限的多属性数据（即使在零样本设置下），通过有效地泛化从单属性数据集中学习到的因果关系。

Prompt-MolOpt的工作流程概述

在与JTNN、hierG2G和Modof等已建立的模型的比较评估中，Prompt-MolOpt与领先的Modof模型相比，在多属性优化成功率方面实现了15%以上的相对提高。

此外，Prompt-MolOpt的一个变种——Prompt-MolOpt^P，能够在结构转换过程中保留药效基团或用户指定的片段，进一步扩大了其应用范围。

Prompt-MolOpt^P的分子优化框架概述

通过构建定制化的优化数据集，借助该研究中引入的protocol，Prompt-MolOpt可以引导分子优化朝着与领域相关的化学空间发展，从而提升优化分子的质量。在真实世界中的测试，例如涉及血脑屏障渗透性优化的测试，凸显了Prompt-MolOpt在实际应用中的相关性。

总的来说，该研究开发的Prompt-MolOpt提供了一种灵活的多属性、多点分子优化方法，在化学研究和药物及材料发现方面具有潜在实用价值。