في خطوة جديدة نحو تعزيز عمليات اكتشاف الأدوية، تم الكشف عن نموذج DrugGen 2، وهو نموذج لغوي قوي يتميز بمراعاة السياق المرضي عند تصميم الجزيئات. ولطالما كانت الأساليب التقليدية في تصميم الأدوية تركز على توليد الجزيئات بناءً على أهداف محددة أو خصائص جزيئية عامة، مما يترك فجوة كبيرة تتعلق بتأثير السياق المرضي على سلوك الأهداف ونتائج العلاجات.

نموذج DrugGen 2 تم تطويره عبر تحسين النموذج المدرب مسبقًا GPT-2، حيث تم استخدام مجموعة بيانات منتقاة تشمل الأدوية المعتمدة وعلاقتها بالأمراض والأهداف. العملية تمت من خلال استراتيجية من خطوتين: تحسين تحت إشراف ثم التعلم التعزيزي عبر تحسين السياسات النسبية الجماعية (GRPO). تم توجيه هذا العمل بوظائف مكافأة تهدف إلى تحسين الصلاحية الكيميائية والجدة والتنوع وقوة الارتباط المتوقعة.

عند تقييمه على خمسة أهداف بروتينية ذات صلة بالتهاب الكلى السكري، تفوق DrugGen 2 بنسبة كبيرة على النموذجين الأساسيين (DrugGPT وDrugGen). حيث أظهر قدرة فائقة على توليد جزيئات فريدة مع تشابه الهيكل إلى الأدوية المعتمدة، كما حقق تحسينًا في القوة المرتبطة المتوقعة عبر جميع الأهداف. دعمت تحليلات التثبيت الجزيئي هذه النتائج، حيث تم تحديد الروابط المرشحة ذات القوة الارتباطية القوية، بما في ذلك المركبات التي سُجلت فيها قوى ارتباط متوقعة (-9.917، -9.485، و-9.367)، متجاوزةً تلك للأدوية المرجعية مثل الإنالابريل الخاص بإنزيم تحويل الأنجيوتنسين (-8.283).

مع دمج السياق الخاص بالأمراض في عملية توليد الجزيئات، يمثل DrugGen 2 بادرة قوية في مجال اكتشاف الأدوية المعزز بالذكاء الاصطناعي، مما يوفر أداة فعالة لتصميم الأدوية الجديدة وإعادة استخدام الأدوية الموجودة بما يتماشى مع التعقيدات الناتجة عن تداخل الأمراض والأهداف الجزيئية. إن هذا التطور يعد خطوة toward تقنية متقدمة يمكن أن تُحدث تحولًا كبيرًا في مجال الأجهزة الطبية.