蛋白质口袋间迁移什么:LLM 智能体结构药物设计中的分子优化经验复用
What Transfers Across Protein Pockets? Experience Reuse in Molecular Optimization for Agentic Structure-Based Drug Design
LLM 智能体在蛋白质口袋间复用的分子优化经验,主要传递编辑动作与生成的分子特征,而非靶点信息。基于 CrossDocked2020 测试集口袋日志,以编辑位点接触、动作和轮次为键可明显区分改善与恶化编辑,但区分主要来自分子大小变化、动作和轮次;直接写出靶点则强数倍,未见口袋的具体描述很少复现,经验库或更适合为智能体自身的对接提案排序。
预印本 · arxiv · 2610.32620
本站摘要基于收录版本 v1(2026-10-26),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v1
大语言模型智能体通过逐步编辑并对接每次编辑来优化蛋白质口袋中的配体。近期的智能体首先会进行额外的对接,用受控编辑来探测复合物;据报告,由此产生的引导比模型已有的化学知识更有帮助。这些探测随后会随产生它们的实例一起被丢弃,因此显而易见的下一步是将它们保存在经验库中,让新的口袋继承先前口袋已经付出的代价。这样的库通过一个 \emph{键} 来读取:记录过去编辑被归并的属性,并据此查找新的编辑。利用一次此类运行在 CrossDocked2020 测试集口袋上的完整日志,我们探究其键是否会出现在库从未见过的口袋上,并且仍能区分使效果变好与变差的编辑。\crchange{以}被编辑位点的接触、动作和轮次作为 \crchange{键},该库能清晰地将二者区分开来。在我们的分析中,这种区分在很大程度上可由编辑对分子大小的改变程度、动作和轮次来解释,而这些都不描述靶标。这并非因为靶标无关紧要:直接指明靶标能让区分清晰数倍。对于库中缺失的口袋,迁移必须依赖描述而非其身份。在我们评估的精确匹配描述中,较具体的描述很少重复出现,而较粗略的描述几乎不提供区分度;能够迁移的信号主要描述编辑及其产生的分子,而非靶标。在本文所研究的表示与查找方案下,经验库或许更适合用于为智能体自身的对接提案排序,而非直接规定要构建什么。
来源:arXiv · arxiv.org