基于DeepSeek-LLM与自适应RAG的药物溶出行为智能预测新方法

本研究针对药物溶出实验耗时费力的痛点，由研究人员开发了融合DeepSeek大语言模型（LLM）与自适应加权检索增强生成（RAG）的创新框架。通过结合扩散模型生成SEM形态参数，实现了从微观结构到宏观溶出曲线的精准预测，显著提升预测效率与准确性，为AI驱动药物开发提供新范式。

　　

本研究致力于通过融合先进大语言模型（LLM）与人工智能扩散模型，加速并提升药物溶出预测的精度，减少对耗时昂贵的传统实验的依赖。该框架为生成式人工智能在药物研发中的广泛应用奠定了基础。

研究方法引入基于DeepSeek的LLM架构，结合提示工程（零样本、少样本及思维链技术）与自适应加权检索增强生成（RAG）技术，从基础物理性质系统推导溶出曲线。此外，采用扩散模型合成扫描电镜（SEM）衍生的形态学参数（如粒径、比表面积），规避了多仪器表征流程中的误差累积问题。这些参数输入RAG数据库，使LLM预测基于真实的结构-性能关系，而非理想化假设。

研究结果显示，LLM生成的溶出曲线（少样本思维链配合RAG）在实验值与预测值间呈现良好一致性。通过敏感性分析量化了提示内容的可靠性与稳定性。扩散模型从SEM图像生成的结构数据与LLM预测能力相结合，成功关联宏观物理特性与微观结构特征，所得曲线趋势吻合且具有可接受的均方根误差（RMSE）和皮尔逊相关系数（PCC）。

本研究证实了基于DeepSeek的LLM框架在描述药物粉末溶出行为方面的潜力。在多种系统提示策略中，少样本思维链与RAG的组合表现最优，尽管在某些简单任务中可能略显复杂。扩散模型与LLM的结合成功搭建了人工智能洞察（如溶出预测）与药物物理结构属性（如SEM图像中的颗粒几何特征）之间的桥梁。