生成式预训练转换器与遗传算法协同创新：高效多样分子生成的药物发现新范式

在计算机辅助药物设计中，分子生成模型对加速药物开发至关重要。研究人员创新性地提出化合物构建模型(CCMol)，整合生成式预训练转换器(GPT)的分子生成能力和遗传算法(GA)的优化机制，针对GLP1、WRN和JAK2等关键靶点生成结构多样且具成药性的分子，在早期药物发现阶段展现出显著优势。

　　

这项研究开创性地将生成式预训练转换器(Generative Pretrained Transformer, GPT)与遗传算法(Genetic Algorithm, GA)深度融合，构建出革命性的化合物构建模型(CCMol)。在计算机辅助药物设计领域，该模型巧妙解决了当前两类主流技术——深度学习模型解释性差与启发式算法性能有限——的核心矛盾。

研究团队采用基于结构的药物设计策略，同步考虑配体和蛋白质一级结构特征。CCMol的工作流程极具创新性：首先由GPT模型生成初始分子结构，随后通过GA算法对这些分子进行迭代优化，重点提升其理化性质和生物活性。为验证模型可靠性，研究人员瞄准三个关键疾病靶点——糖尿病治疗靶点GLP1、癌症相关解旋酶WRN以及免疫调节激酶JAK₂，成功生成系列候选分子。

实验数据表明，CCMol在多项指标上与当前先进模型持平，更在结构多样性和类药性指标上显著超越基线模型。这种"GPT生成+GA优化"的双引擎设计，特别适合在药物发现早期阶段快速拓展化学结构的有效性空间，为加速创新药物研发提供了全新解决方案。