利用 Y - Mol 模型进行药物研发，主要可通过以下几个关键步骤：
-
数据准备与模型训练3：
-
收集生物医学数据：从在线出版平台如 PubMed 中提取并预处理涵盖多个学科的生物医学出版物，获取其中可见的摘要和简介作为文本数据。同时，利用生物医学知识图谱，将其中的事实转化为自然语言描述，并结合上下文信息构建成问题和答案对。另外，从现有药物研发小模型如 ADMET 预测模型和药物重定位模型等中提取专家合成数据，设计提示模板并构建指令。
-
模型训练与微调：以 LLaMA2 为基础模型，首先在生物医学出版物语料库上对其进行自监督预训练，使其具备药物开发背景知识。然后，将生成的各种指令作为监督输入，对预训练后的模型进行监督微调，增强其对药物开发流程中相互作用机制的理解能力。
-
虚拟筛选3：在先导化合物发现阶段，使用 Y - Mol 模型识别未知的药物 - 靶标相互作用对。通过输入相关的药物分子信息和靶标信息，模型可以预测它们之间是否存在相互作用，从而从大量化合物中筛选出具有潜在活性的先导化合物，提高药物发现的效率。
-
药物设计3：给定目标条件和描述性查询，Y - Mol 模型可从上下文信息中精准生成对应的 SMILES 序列分子，即设计新的药物分子。研究人员可以根据特定的疾病靶点和药物作用机制，利用模型生成满足要求的化合物结构，为药物化学家提供新的设计思路和方向。
-
性质预测4：在临床前研究阶段，Y - Mol 可用于预测已发现先导化合物的物理和化学性质，如 QED、SAs、LogP、毒性、吸收性以及亚结构等。通过准确预测这些性质，研究人员可以提前评估化合物的成药性，优化药物分子结构，降低药物开发后期的失败风险。
-
药物相互作用预测4：在临床阶段，预测潜在的药物 - 药物相互作用对于确保药物的安全使用至关重要。Y - Mol 模型能够有效识别潜在的药物相互作用事件，例如通过分析药物分子与代谢酶、转运体等的相互作用，预测药物联合使用时可能出现的不良反应，为临床用药方案的制定提供参考，保障患者的用药安全。
在利用 Y - Mol 模型进行药物研发的过程中，研究人员还需要根据具体的研发需求和任务，选择合适的评估指标来衡量模型的性能，如用 ROC - AUC 评估药物 - 靶标相互作用和药物 - 药物相互作用预测性能，用 R² 评估性质预测性能，用有效性、唯一性、新颖性和多样性等指标评估药物设计性能，从而不断优化模型和研发流程1。