[論文レビュー] ChatGPT-powered Conversational Drug Editing Using Retrieval and Domain Feedback

Shengchao Liu, Jiongxiao Wang+5 more|arXiv (Cornell University)|May 29, 2023

Chemical Synthesis and Analysis被引用数 18

ひとこと要約

ChatDrugは、RetrievalとDomain Feedbackを用いた、PDDS、ReDF、 and conversation の3モジュールからなるフレームワークを用いて、少量分子、ペプチド、タンパク質のテキスト指向編集を実行し、39タスク中33タスクで最高のパフォーマンスを達成します。

ABSTRACT

Recent advancements in conversational large language models (LLMs), such as ChatGPT, have demonstrated remarkable promise in various domains, including drug discovery. However, existing works mainly focus on investigating the capabilities of conversational LLMs on chemical reaction and retrosynthesis. While drug editing, a critical task in the drug discovery pipeline, remains largely unexplored. To bridge this gap, we propose ChatDrug, a framework to facilitate the systematic investigation of drug editing using LLMs. ChatDrug jointly leverages a prompt module, a retrieval and domain feedback (ReDF) module, and a conversation module to streamline effective drug editing. We empirically show that ChatDrug reaches the best performance on 33 out of 39 drug editing tasks, encompassing small molecules, peptides, and proteins. We further demonstrate, through 10 case studies, that ChatDrug can successfully identify the key substructures (e.g., the molecule functional groups, peptide motifs, and protein structures) for manipulation, generating diverse and valid suggestions for drug editing. Promisingly, we also show that ChatDrug can offer insightful explanations from a domain-specific perspective, enhancing interpretability and enabling informed decision-making. This research sheds light on the potential of ChatGPT and conversational LLMs for drug editing. It paves the way for a more efficient and collaborative drug discovery pipeline, contributing to the advancement of pharmaceutical research and development.

研究の動機と目的

• 伝統的な構造中心アプローチを超えた、多 Modal かつ会話型タスクとしてのAI支援薬物編集を動機づける。
• ChatGPTを薬物編集へ導くためのプロンプト設計と取得強化型システムを開発する。
• ドメイン認識フィードバックループを備えた、小分子、ペプチド、タンパク質全体での広範な有効性を示す。
• 薬物編集におけるサブ構造やモチーフの特定を強調する、解釈性とケーススタディを示す。

提案手法

• PDDS: three drug types の高レベルな性質編集へChatGPTを誘導するためのドメイン特化プロンプトを設計する。
• ReDF: 構造的に類似した候補を検索して取得し、プロンプトにドメインフィードバックを注入して生成をガイドする。
• Conversationモジュール：失敗した編集が検索ベースの改良と再プロンプトを引き起こす反復的なラウンドを実装する。
• 小分子、ペプチド、タンパク質に跨る39の編集タスクを用いたマルチタスクベンチマークで評価する。
• ChatDrugを学習を伴わない、パラメータ不要のプロンプト設計ベースのシステムとして扱う。

実験結果

リサーチクエスチョン

• RQ1 会話型LLMを、ドメイン認識プロンプトと取得ベースのフィードバックを用いて、小分子、ペプチド、タンパク質に跨る薬物編集へ効果的に導くことができるか？
• RQ2 取得とドメインフィードバックループは、ゼロショットおよびインコンテキスト学習のベースラインと比べて、編集の質と多様性を改善するか？
• RQ3 会話ラウンドとフィードバック閾値が編集パフォーマンスに与える影響は何か？
• RQ4 ChatDrugは解釈可能でドメイン関連の説明を提供し、編集に関与する主要なサブ構造やモチーフを特定できるか？

主な発見

• ChatDrugは、小分子、ペプチド、タンパク質全体で39の薬物編集タスクのうち33タスクで最高のパフォーマンスを達成する。
• 定性的ケーススタディは、ChatDrugが望ましい編集に寄与する主要なサブ構造、モチーフ、またはタンパク質領域を特定することを示している。
• 分子編集全般で、ChatDrugは複数の単一および多目的タスクでベースラインを上回り、ランダムまたは標準の MoleculeSTM ベースラインに対して顕著な改善を示す。
• ペプチドについて、ChatDrugの編集は結合モチーフを高め、実験的なペプチド-MHC結合傾向と一致する。
• タンパク質では、ChatDrugの編集により副次構造の含有量が増加（ヘリックスが多い・ストランドが多い）し、下流の予測子や折りたたみツールによって評価される。
• アブレーション studies によれば、会話的な洗練とドメインフィードバックの投入は、ゼロショットおよび単一パスのリトリーブ手法を大幅に上回り、ラウンドを増やすとパフォーマンスが向上する（C=2付近で収束）。