MoLRSI:一种用于分子发现的递归自我改进 AI 智能体
MoLRSI: A Recursive Self-Improving AI agent for Molecular Discovery
论文提出 MoLRSI,一种结合工作流与模型架构系统优化以及跨任务持久记忆的分子发现 AI 智能体,可递归改进搜索策略。抗生素发现中,其筛选工作流在相同训练数据和筛选库下取得 15.9% 的实验命中率,此前专家主导工作流为 8.7%。
跨任务记忆驱动工作流递归优化,并在抗生素筛选和 pMHC 结合体设计中给出与专家流程及 Claude Science 的实验对照。
预印本 · arxiv · 2610.39714
本站摘要基于收录版本 v1(2026-10-30),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v2
分子发现需要在庞大的组合搜索空间中穿行,同时平衡相互竞争的生物学目标。AI 智能体可以自动化专家定义的分子设计流程,但仅靠自动化并不能解决如何针对新任务优化工作流,或如何通过经验改进其开发过程的问题。在此我们提出 MoLRSI,一个将工作流与模型架构的系统化优化与跨任务持久记忆相结合的 AI 智能体,以递归改进其分子发现的搜索策略。工作流性能、优化结果和执行反馈会引导后续搜索,使智能体既能改进其工作流,也能改进开发工作流的策略。我们在两个需要平衡竞争性状的高难度分子发现场景中评估了 MoLRSI。在抗生素发现中,MoLRSI 开发了一个平衡抗菌活性、细胞毒性和结构新颖性的筛选流程,实验命中率达到 15.9%,而使用相同训练数据和筛选文库的先前专家主导流程命中率为 8.7%。在从头肽-MHC 结合物设计中,MoLRSI 开发了同时考虑靶标结合与特异性的工作流,针对 MART-1 和 SARS-CoV-1 pMHC 产生了八个经实验验证的命中物,其对所测试脱靶物表现出优先结合,而 Claude Science 则完全失败。这些发现展示了以经验为导向的工作流优化如何在应对竞争性发现目标的同时,改进后续研究中所使用的搜索策略。
来源:arXiv · arxiv.org