首页 时政热点 科技头条 智能AI 安全攻防 数码硬件 开发者生态 归档 标签 关于
智能AI morning

人工智能可以帮助科学家识别有前途的候选药物吗?

2026-11-21 1 阅读 约5分钟阅读 OpenAI博客
分享:
字号:
我们推出了 MedChemBench,这是一个基准,用于评估来自药物化学研究的推理任务的人工智能模型。它测试模型是否可以将分子结构与实验证据联系起来,以解释结果、比较化合物并预测其特性。构建能够可靠支持这项工作的人工智能是帮助科学家开发更好药物的一步。这项工作最困难的部分之一是改善分子的一种特性可能会使另一种特性变得更糟。一种化合物可能会对疾病相关蛋白质产生强烈作用,但在体内吸收不良或分解过快。药物化学家通过设计、制造和测试相关化合物来完成这些权衡,然后决定下一步尝试什么。为了让人工智能发挥作用,它需要将分子结构的变化与实验证据联系起来,并推理出哪些化合物值得研究。 MedChemBench 通过已发表研究中的 99 个问题来衡量这些能力。在 xhigh 推理设置下,GPT-6.2 Astra 获得了 84.5% 的可用积分,而 GPT-6 Astra 为 83.3%,GPT-6.1 Sol 为 82.0%,GPT-5.6 Sol 为 58.2%。 GPT-6 Astra 在重建分子结构和解释实验证据方面最强。事实证明,对于该模型来说,选择化合物并预测其数值特性更加困难。 MedChemBench 借鉴了 117 篇论文和专利,包括 761 个不同的分子结构。对于大多数问题,模型会接收研究计划中选定点的可用背景:生物目标、研究人员的目标、迄今为止研究的化合物以及选定的实验结果。该基准评估四个组成部分: 分子结构。根据提供的图纸和化学基团组装的分子中的正确原子连接和指定立体化学。科学推理。所提供证据支持的解释,例如选择一种化合物而不是另一种化合物的原因。排名和选择。满足规定要求的复合排名和选择。财产预测。与源材料中报告的数值和类别一致,包括测量和计算的分子特性。 MedChemBench 的一个问题借鉴了 PRMT5 抑制剂的研究,PRMT5 是一种在癌症药物发现中研究的蛋白质。该模型接收分子结构和早期实验的结果。它必须预测三种相关化合物的行为方式:它们在细胞中阻断 PRMT5 的强度有多大、它们穿过细胞屏障的容易程度以及肝酶在实验室检测中分解它们的速度有多快。后来的实验(从模型中保留)显示出一种权衡。化合物 23 以较低浓度阻断细胞中的 PRMT5,而化合物 24 更容易穿过细胞屏障,并且在肝酶测定中分解更慢。一起预测这些属性可以测试模型是否可以将分子结构与化合物行为的多个方面联系起来。这反映了药物化学的一个核心挑战:针对靶标的更强的活性不一定会带来更好的渗透性或更慢的分解。该基准检查模型是否正确重建分子结构以及其预测与实验测量的匹配程度。预测根据其与测量值的接近程度而获得部分信用。提示中已提供的测量值也必须正确再现。在模型能够推断化合物的性质之前,它需要正确识别分子。化学绘图编码原子连接、环结构和立体化学。 MedChemBench 测试模型在根据提供的图纸和化学组重建分子时是否保留这些信息。其中一个问题要求模型从一个中心结构和两个连接基团组装一个分子,同时保留 18 个原子环。在所有 11 个模型共享的最高推理设置 (xhigh) 下,GPT-6 Astra 在所有 10 个响应中正确重建了该化合物。 GPT-5.6 Sol 和 GPT-5.6 Luna 在所有十个回答中均未通过。在图示的答案中,GPT-5.6 Sol 产生了一个 15 个原子环,而 GPT-5.6 Luna 将分子分裂成两个不相连的片段。这些错误改变了正在分析的分子的身份。这个例子测试了药物化学推理的基础:模型在解释化合物的行为之前是否能够准确地表示化合物。图 1. 相同的输入,不同的分子 在测量结构成分的基准时,Astra 在 xhigh 上获得了 95.4% 的可用信用。该结果显示了重建任务中提供的分子结构的强大性能。我们在不同的推理努力设置下评估了 11 个 GPT 模型。在整个基准测试中,Astra 在共享 xhigh 设置下获得了 83.3% 的可用积分,而 GPT-6.1 Sol 为 82.0%,GPT-6.1 Terra 为 75.1%,GP 为 58.2%
这篇文章对您有帮助吗?

订阅66必读

每日精选科技资讯,直达你的邮箱