[논문 리뷰] ChatGPT-powered Conversational Drug Editing Using Retrieval and Domain Feedback

Shengchao Liu, Jiongxiao Wang외 5명|arXiv (Cornell University)|2023. 05. 29.

Chemical Synthesis and Analysis인용 수 18

한 줄 요약

ChatDrug는 세 모듈 프레임워크(PDDS, ReDF, conversation)를 사용하고 Retrieval and Domain Feedback를 통해 텍스트 기반 편집을 수행하며 소분자, 펩타이드, 단백질에 대해 39개 과제 중 33개에서 최상의 성능을 달성한다.

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.

연구 동기 및 목표

• AI 보조 약물 편집을 전통적인 구조 중심 접근 방식Beyond으로 다-modal하고 대화형 과제로 제시한다.
• ChatGPT를 약물 편집으로 안내하기 위한 프롬프트 설계 및 Retrieval-강화 시스템을 개발한다.
• 도메인 인식 피드백 루프를 통해 소분자, 펩타이드, 단백질 전반에 걸친 광범위한 효과를 보여준다.
• 약물 편집에서 부분 구조 및 모티프 식별의 해석 가능성과 사례 연구를 보여준다.

제안 방법

• PDDS: 세 가지 약물 유형에 대한 고수준 특성 편집으로 ChatGPT를 유도하기 위한 도메인 특화 프롬프트 설계.
• ReDF: 구조적으로 유사한 후보를 검색하고 도메인 피드백을 프롬프트에 주입하여 생성을 안내한다.
• Conversation 모듈: 실패한 편집이 Retrieval 기반의 정교화 및 재프롬프트를 촉발하는 반복 라운드를 구현한다.
• Small molecules, peptides, and proteins에 걸친 39개의 편집 작업으로 다중 작업 벤치마크를 사용해 평가한다.
• 학습이 필요 없는 매개변수-프리 프롬프트 엔지니어링 기반 시스템으로 ChatDrug를 다룬다.

실험 결과

연구 질문

• RQ1 도메인 인식 프롬프트와 Retrieval 기반 피드백을 사용하여 대화형 LLM이 소분자, 펩타이드, 단백질 전체의 약물 편집을 효과적으로 안내할 수 있는가?
• RQ2 Retrieval 및 도메인 피드백 루프가 제로샷 및 컨텍스트 학습 기반 기준선보다 편집의 질과 다양성을 향상시키는가?
• RQ3 대화 라운드 및 피드백 임계치가 편집 성능에 어떤 영향을 미치는가?
• RQ4 ChatDrug가 해석가능하고 도메인 관련 설명과 편집에 관련된 핵심 부분 구조나 모티프를 식별할 수 있는가?

주요 결과

• ChatDrug는 소분자, 펩타이드, 단백질 전반에 걸친 39개 약물 편집 과제 중 33개에서 최상의 성능을 달성한다.
• 정성적 사례 연구는 ChatDrug가 원하는 편집에 책임이 있는 핵심 부분 구조, 모티프 또는 단백질 영역을 식별한다고 보여준다.
• 분자 편집 전반에서 ChatDrug는 여러 개별 및 다목적 작업에서 기준선 대비 우수한 성능을 보이며, 무작위 또는 표준 MoleculeSTM 기준선 대비 뚜렷한 개선을 보인다.
• 펩타이드의 경우, ChatDrug의 편집은 실험적 펩타이드-MHC 결합 추세와 일치하는 결합 모티프를 강화한다.
• 단백질의 경우, ChatDrug 편집은 하위 구조(예: 헬릭스 증가 또는 스트랜드 증가)가 다운스트림 예측기와 폴딩 도구에 의해 증가된 것으로 평가된다.
• 소거 연구(ablation) 결과는 대화식 세분화 및 도메인 피드백 주입이 제로샷 및 단일 패스 Retrieval 방식보다 현저히 우수하며 라운드가 증가할수록 성능이 점차 개선되다가 특정 시점(C=2 근처에서 수렴)에 달한다.