Autorzy nowej pracy opublikowanej na łamach magazynu „Molecular Pharmacology” twierdzą, że na przykład modele takie jak Llama-Gram i GPCR LLM, w niespotykany do tej pory sposób znacząco poprawiają dokładność przewidywania interakcji lek – cel biologiczny.

„Modele te integrują zaawansowane informacje o fałdowaniu białek oraz struktur molekularnych, co znacząco poprawia efektywność i wiarygodność procesu odkrywania leków” – wyjaśnia Anqi Lin z Nanjing Medical University, jedna z głównych autorek publikacji.

To nie wszystko – systemy, takie jak 3DSMILES-GPT i FragGPT, umożliwiają bardziej efektywne projektowanie i optymalizację cząsteczek leków.

Jednak autorzy zaznaczają, że wykorzystanie dużych modeli językowych w rozwoju leków nie jest pozbawione wyzwań. Główne przeszkody to jakość i dostępność danych.

„Zapewnienie wiarygodności i przejrzystości działania LLM-ów jest kluczowe, zwłaszcza biorąc pod uwagę potencjalne zagrożenia dla bezpieczeństwa wynikające z błędnych prognoz” – zauważa Bufu Tang, jeden z naukowców.

Autorzy publikacji podkreślają potrzebę m.in. rozwijania zaawansowanych możliwości tego typu modeli oraz ich integracji z wyspecjalizowanymi narzędziami biochemicznymi.

„Przyszłe badania muszą skoncentrować się na wzmocnieniu procesu walidacji wiarygodności prognoz, aby w pełni wykorzystać potencjał LLM-ów w rozwoju leków” – dodaje dr Lin.

Naukowcy są przekonani, że te postępy utorują drogę do bardziej efektywnych i innowacyjnych badań nad lekami.

Marek Matacz (PAP)

mat/ agt/