Conditional Pre-Trained Transformer for Multi-Target Molecular Design: A Case Study in Drug Discovery for Brain Diseases

• Arthur A. Cerveira UFPel
• Frederico Kremer UFPel
• Ricardo M. de Araújo UFPel
• Ulisses B. Corrêa UFPel

DOI: https://doi.org/10.5753/sbcas_estendido.2026.19660

Resumo

Transtornos neuropsiquiátricos afetam mais de um bilhão de pessoas e representam um grande desafio terapêutico, em parte devido à necessidade de modular múltiplos alvos biológicos simultaneamente. Este trabalho apresenta o CoMPO-GPT, um modelo generativo condicional baseado em transformers que formula a descoberta de fármacos multi-alvo como um problema de otimização multiobjetivo no espaço químico. O método condiciona a geração molecular por meio de representações em espaço latente agregadas de propriedades farmacológicas. Avaliações em três cenários (doença de Alzheimer, esquizofrenia e Parkinson) mostram desempenho competitivo em otimização direcionada, mantendo validade, diversidade e novidade molecular. Os resultados também revelam padrões de aprendizado que ajudam a explicar o comportamento de modelos generativos para o design molecular multi-alvo.

Referências

Ai, C., Yang, H., Liu, X., Dong, R., Ding, Y., and Guo, F. (2024). MTMol-GPT: De novo multi-target molecular generation with transformer-based generative adversarial imitation learning. PLOS Computational Biology, 20(6):1–23.

Angelo, J. S., Guedes, I. A., Barbosa, H. J. C., and Dardenne, L. E. (2023). Multi-and many-objective optimization: present and future in de novo drug design. Frontiers in Chemistry, 11.

Bi, X., Wang, Y., Wang, J., and Liu, C. (2025). Machine learning for multi-target drug discovery. Pharmaceutics, 17(9):1186.

Cerveira, A., Kremer, F., Gomes, G. A., and Corrêa, U. B. (2026). Enhancing graph neural networks for multi-target activity prediction through multi-task learning and knowledge distillation. In Intelligent Systems, pages 464–477. Springer Nature Switzerland.

Cerveira, A., Kremer, F., Lourenço, D., and Corrêa, U. B. (2024). Evaluation framework for AI-driven molecular design of multi-target drugs: Brain diseases as a case study. In 2024 IEEE Congress on Evolutionary Computation (CEC), pages 1–8.

Chebrolu, A. (2023). DeepLig: A de-novo computational drug design approach to generate multi-targeted drugs. In 2023 Fifth International Conference on Transdisciplinary AI (TransAI), pages 34–41.

Danon, J. J., Reekie, T. A., and Kassiou, M. (2019). Challenges and opportunities in central nervous system drug discovery. Trends in Chemistry, 1(6):612–624.

Dowden, H. and Munro, J. (2019). Trends in clinical success rates and therapeutic focus. Nature Reviews Drug Discovery, 18(7):495–496.

Eberhardt, J., Santos-Martins, D., Tillack, A. F., and Forli, S. (2021). AutoDock Vina 1.2.0: New docking methods, expanded force field, and python bindings. Journal of Chemical Information and Modeling, 61(8):3891–3898.

Munson, B., Chen, M., Bogosian, A., et al. (2024). De novo generation of multi-target compounds using deep generative chemistry. Nature Communications, 15:3636.

Polykovskiy, D., Zhebrak, A., et al. (2020). Molecular Sets (MOSES): A Benchmarking Platform for Molecular Generation Models. Frontiers in Pharmacology.

Sun, J., Jeliazkova, N., et al. (2017). ExCAPE-DB: an integrated large scale dataset facilitating big data analysis in chemogenomics. Journal of Cheminformatics, 9(1):17.

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., et al. (2017). Attention is all you need. In Advances in Neural Information Processing Systems, volume 30.