药物优化对话模型

人机对话迭代优化分子

通过人机对话进行分子优化，整合专家经验与迭代改进，在单项与多项性质优化上领先。

Ye, Geyan · Houtim, Lai · Wang, Xing · Junhong, Huang · Wang, Longyue · Liu, Wei · 曾湘祥

Briefings in Bioinformatics 2024

技术优势

能用专家反馈

模型通过人机对话吸收专家意见，使优化过程可以利用人类经验进行迭代改进。

优化性能领先

在单属性和多属性优化任务上均取得领先结果，可直接用于候选分子改进。

自带大规模数据集

公开了名为 MolOpt-Instructions 的大规模指令数据集，便于对模型进行微调。

应用场景

• 小分子药物发现：用对话方式快速优化先导化合物的多种性质，减少盲目试错。
• 药物分子设计：在设计阶段整合专家反馈，迭代生成满足多目标的候选分子。
• AI辅助药物开发：将大语言模型作为交互式优化助手，嵌入现有的药物研发流程。