Emerging Opportunities of Using Large Language Models for Translation Between Drug Molecules and Indications

📄 arXiv: 2402.09588v2 📥 PDF

作者: David Oniani, Jordan Hilsman, Chengxi Zang, Junmei Wang, Lianjin Cai, Jan Zawala, Yanshan Wang

分类: cs.AI, cs.CL

发布日期: 2024-02-14 (更新: 2024-02-16)

💡 一句话要点

提出药物分子与适应症之间的翻译任务以促进药物发现

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 药物发现 适应症翻译 生成模型 生物医药 机器学习 数据集评估

📋 核心要点

  1. 现有方法在药物分子与适应症之间的翻译应用研究不足，限制了药物发现的效率。
  2. 本文提出药物分子与适应症之间的翻译任务，并测试了多种T5 LLM变体以评估其性能。
  3. 实验结果显示，LLM在该任务上具有潜力，并为未来的研究提供了方向，强调了其在药物发现中的重要性。

📝 摘要（中文）

药物分子是改变生物体心理或生理状态的物质，每种批准的药物都有其适应症，指的是该药物用于治疗特定疾病的疗效。尽管大型语言模型（LLM）在分子与其文本描述之间的翻译中表现出色，但在药物分子与适应症之间的翻译应用研究仍存在空白。本文首次提出药物分子与相应适应症之间的翻译任务，并测试现有的LLM在这一新任务上的表现。我们考虑了九种T5 LLM的变体，并在ChEMBL和DrugBank的两个公共数据集上进行了评估。实验结果展示了LLM在此任务中的初步应用效果，并指出了当前的局限性及未来的研究方向，强调了这一研究在药物发现过程中的潜在革命性影响。

🔬 方法详解

问题定义：本文旨在解决药物分子与其适应症之间翻译的缺乏研究，现有方法未能有效利用LLM进行此类翻译，限制了药物发现的潜力。

核心思路：论文提出了一种新的任务，即药物分子与适应症之间的翻译，利用LLM的生成能力来实现从适应症生成药物的过程，以便更高效地针对特定疾病。

技术框架：研究采用了九种T5 LLM的变体，评估其在两个公共数据集（ChEMBL和DrugBank）上的表现，整体流程包括数据预处理、模型训练和性能评估。

关键创新：最重要的创新在于首次定义了药物分子与适应症之间的翻译任务，并通过LLM进行实验，填补了这一领域的研究空白。

关键设计：在模型设计中，选择了多种T5变体，并针对不同数据集进行了调优，采用了适应症描述和药物结构的联合训练策略，以提高模型的生成能力和准确性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，使用LLM进行药物分子与适应症之间的翻译具有良好的初步效果，尤其是在特定任务上，某些T5变体的性能显著优于基线模型，展示了潜在的提升幅度，具体性能数据将在论文中详细列出。

🎯 应用场景

该研究的潜在应用领域包括药物发现、精准医疗和生物医药研发。通过实现药物分子与适应症之间的有效翻译，可以加速新药的开发过程，降低研发成本，并为患者提供更优质的治疗方案，具有重要的实际价值和未来影响。

📄 摘要（原文）

A drug molecule is a substance that changes the organism's mental or physical state. Every approved drug has an indication, which refers to the therapeutic use of that drug for treating a particular medical condition. While the Large Language Model (LLM), a generative Artificial Intelligence (AI) technique, has recently demonstrated effectiveness in translating between molecules and their textual descriptions, there remains a gap in research regarding their application in facilitating the translation between drug molecules and indications, or vice versa, which could greatly benefit the drug discovery process. The capability of generating a drug from a given indication would allow for the discovery of drugs targeting specific diseases or targets and ultimately provide patients with better treatments. In this paper, we first propose a new task, which is the translation between drug molecules and corresponding indications, and then test existing LLMs on this new task. Specifically, we consider nine variations of the T5 LLM and evaluate them on two public datasets obtained from ChEMBL and DrugBank. Our experiments show the early results of using LLMs for this task and provide a perspective on the state-of-the-art. We also emphasize the current limitations and discuss future work that has the potential to improve the performance on this task. The creation of molecules from indications, or vice versa, will allow for more efficient targeting of diseases and significantly reduce the cost of drug discovery, with the potential to revolutionize the field of drug discovery in the era of generative AI.