Medinformatics 2026年9月20日该工作通过在约50万条来自ChEMBL数据库的分子数据上微调GPT-2模型，并与在同一数据集上训练的LSTM网络进行基准对比，生成新的EGFR抑制剂候选分子，对生成化合物进行有效性、独特性与新颖性评估，再经Lipinski五规则、合成可及性与类药性评分过滤，并对入选候选物针对EGFR（PDB ID: 1M17）开展分子对接以评估结合亲和力，结果显示GPT-2在生成结构多样分子方面表现突出，而LSTM生成的化学有效分子比例更高，许多候选物与EGFR表现出良好结合相互作用。该工作通过在约50万条来自ChEMBL数据库的分子数据上微调GPT-2模型，并与在同一数据集上训练的LSTM网络进行基准对比，生成新的EGFR抑制剂候选分子，对生成化合物进行有效性、独特性与新颖性评估，再经Lipinski五规则、合成可及性与类药性评分过滤，并对入选候选物针对EGFR（PDB ID: 1M17）开展分子对接以评估结合亲和力，结果显示GPT-2在生成结构多样分子方面表现突出，而LSTM生成的化学有效分子比例更高，许多候选物与EGFR表现出良好结合相互作用。面向EGFR抑制剂设计的生成式AI：GPT-2与LSTM模型对比该工作通过在约50万条来自ChEMBL数据库的分子数据上微调GPT-2模型，并与在同一数据集上训练的LSTM网络进行基准对比，生成新的EGFR抑制剂候选分子，对生成化合物进行有效性、独特性与新颖性评估，再经Lipinski五规则、合成可及性与类药性评分过滤，并对入选候选物针对EGFR（PDB ID: 1M17）开展分子对接以评估结合亲和力，结果显示GPT-2在生成结构多样分子方面表现突出，而LSTM生成的化学有效分子比例更高，许多候选物与EGFR表现出良好结合相互作用。该工作通过在约50万条来自ChEMBL数据库的分子数据上微调GPT-2模型，并与在同一数据集上训练的LSTM网络进行基准对比，生成新的EGFR抑制剂候选分子，对生成化合物进行有效性、独特性与新颖性评估，再经Lipinski五规则、合成可及性与类药性评分过滤，并对入选候选物针对EGFR（PDB ID: 1M17）开展分子对接以评估结合亲和力，结果显示GPT-2在生成结构多样分子方面表现突出，而LSTM生成的化学有效分子比例更高，许多候选物与EGFR表现出良好结合相互作用。