大型语言模型会否革命性地改变我们未来药物和材料的设计？

大型语言模型（LLM）的出现引发了关于它们在药物和材料设计未来革命性能力的迷人问题。这项技术承诺对分子发现过程进行前所未有的优化，减轻研究人员的认知和时间负担。这些创新模型超越了传统限制，成为定义新治疗路径的关键参与者，重新定义了可能的边界。这样一项进步的潜力不可忽视；科学领域的变革已经展现在视野中，引入了复杂有效的合成方法。

分子发现过程

发现具备新药和材料必需的特性的分子仍然是一个艰巨且昂贵的过程。这需要大量的计算资源和数月的人力工作，以缩小潜在候选的巨大范围。每一个步骤都要求在多个领域具有相当的专业知识。

LLM当前的挑战

大型语言模型（LLMs）如ChatGPT可能会改变这个过程，但科学挑战仍然存在。使LLM理解原子和分子之间的联系相当于设计一个能够处理化学概念的语言模型，正如它处理词语一样。

麻省理工学院与IBM沃森人工智能实验室的创新

麻省理工学院及MIT-IBM沃森人工智能实验室的研究人员开发了一种创新的方法。这种方法结合基于图的机器学习模型来生成和预测分子结构，作为LLM的补充。基础模型解释自然语言请求，从而识别所需的分子特性。

该技术将文本、图形和合成步骤生成统一为一种共同的词汇。LLM在其各组件之间来回切换，以设计分子，揭示其选择背后的逻辑，并制定合成计划。

性能与效率

与现有LLM方法相比，这种多模态方法生成的分子更符合用户的规格。因此，效率提高，成功率从5%上升到35%。这种显著的改善表明多模态性至关重要。

实际应用

麻省理工学院的研究生Michael Sun及此研究的合著者设想未来一个LLM可以自动化整个分子设计和制造过程。这种效率将为制药公司节省大量时间，实现更快速、更经济的研究。

技术的融合

LLM并未针对化学的细微差别进行优化，这使得它们在逆向分子设计中功能受限。分子作为图的结构并不按顺序组织，因此在文本处理上构成挑战。而基于图的人工智能模型则将原子和连接视为节点和边，但常常需要复杂的输入，这些输入通常不太合适。

Llamole的创建

名为Llamole的项目，全称为*large language model for molecular discovery*，将LLM的能力与基于图模型的能力相结合。它负责理解用户请求，同时允许有针对性地生成分子结构。当该模型预测一个“触发标记”时，指示何时切换到特定模块，它将准确触发以绘制所需的分子结构。

分子合成的光明前景

Llamole最终提供分子结构的图像、文本描述和详细的合成计划。在针对分子设计的实验中，Llamole超越了标准和专业模型，显著提高了逆合成计划的成功率。这可归因于优质的分子结构，其组装简便。

改进的展望

研究人员创建了两个全新的数据集，因为现有的数据集提供的信息不足。他们用人工智能生成的自然语言描述丰富了数千个已申请专利的分子。尽管Llamole目前仅限于十种数字分子特性，研究人员计划未来扩展以涵盖各种特性。

一个长期目标是将此方法的应用扩展到分子之外，开发能够处理其他基于图的数据的多模态LLM。例如，涉及电网中互联系统的传感器或金融市场中的交易。

此研究得到了MIT-IBM沃森人工智能实验室及其他机构的支持，为语言模型与复杂数据之间的交互开启了新时代。有关这些激动人心的进展的更多信息，请查阅以下来源：链接 1、链接 2、链接 3、链接 4、链接 5。

关于LLM在药物和材料设计中的影响的常见问题

LLM如何改善药物设计过程？
LLM可以快速分析大量关于分子的数据，并提出符合特定标准的分子结构，从而减少开发新药过程中所需的时间和成本。

与传统方法相比，使用LLM设计新材料的主要优势是什么？
LLM可以通过整合文本数据和图形，进行更广泛的设计可能性探索，从而显著提高设计结构的质量，并增加合成阶段的成功机会。

LLM能否真正生成适用于药物应用的分子？
是的，研究表明，当LLM与基于图的模型结合时，可以生成符合用户规格的分子，其结构和特性需要提高合成成功率。

在化学领域使用LLM需要哪些技能？
对化学的基本理解和编程语言的掌握，以及机器学习的技能，对于在分子设计中充分利用LLM至关重要。

是否可以完全自动化分子设计过程？
LLM旨在与其他人工智能模型结合，自动化大部分过程，但仍需进行实验验证，以确保生成分子的可行性。

为了使LLM成为化学领域的标准工具，需要克服哪些挑战？
化学复杂性的理解和对LLM生成结果的准确解读，以及对适合且稳健的数据集的需求，是需要克服的重大挑战。

LLM如何为复杂疾病（如HIV）的治疗发现做出贡献？
LLM可以识别可能针对特定生理病理机制的分子，如HIV抑制剂，生成满足穿过血脑屏障所需标准的结构。

LLM对未来药物研究的影响将会是什么？
LLM可能会通过减少开发新药所需的时间和资源，从而转变药物研究，同时提高发现和设计过程的效率。

LLM是否能够处理来自化学以外其他领域的数据？
是的，当前的研究旨在扩展LLM的能力，以使其能够处理不同类型的数据，这可能为许多其他行业而非化学领域带来创新的可能性。