跳到正文
arXiv· Asli Alpman; Nick Bhattacharya; Aaron Solomon; Hunter Elliott·· 16 天前AI 评分55

智能体能否可靠地设计治疗性抗体?

Can agents reliably design therapeutic antibodies?

AI 导读

研究考察智能体在任务引导与黑盒两种设定下设计治疗性抗体的可靠性。团队构建了十项经专家验证的亲和力改进任务,发现 LLM 评审能较好复现程序化评估的指令遵循结果。接入抗体相关工具会提升指令遵循和序列空间探索,但降低优化表现;提供已评分设计历史则降低指令遵循,但提升优化表现。二者结合的智能体优化器在计算机模拟优化循环中与既有的贝叶斯优化基线表现相当。

预印本 · arxiv · 2611.00558

本站摘要基于收录版本 v1(2026-11-03),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v1

摘要 · AI 翻译

近期的研究表明,智能体能够驱动蛋白质设计工作流程,其方式既包括编排专用工具,也包括直接操作序列。然而,智能体遵循蛋白质设计指令的保真度,以及影响其有效性的因素,仍鲜有研究。我们在两种设定下考察智能体驱动的抗体设计:一种是提供明确的分子编辑指令,另一种是智能体仅获得先前已评分的序列并被提示提出改进建议。我们将前者称为任务引导设计,后者称为黑盒设计。针对任务引导设定,我们整理了十个经专家验证的亲和力提升任务,并表明 LLM 评判与程序化的指令遵循评估结果高度一致。随后我们研究了两种增强方式:接入抗体相关工具,以及接入先前已评分的设计历史。工具能够提升指令遵循(IF)和序列空间探索,但会降低优化性能;而设计历史会降低 IF,却以牺牲探索为代价提升了优化性能。最后,我们将任务引导设计与黑盒设计结合到一个 in silico 优化循环中,并表明我们的智能体优化器的表现与一个成熟的贝叶斯优化基线相当。

来源:arXiv · arxiv.org