研究提出面向药物发现的可扩展 AI 科学家 El Agente Fármaco
El Agente Fármaco: A Scalable AI Scientist for Drug Discovery
研究提出面向药物发现的可扩展 AI 科学家 El Agente Fármaco,可将日常语言表达的发现目标转化为复杂的计算筛选工作流。它用共享科学记忆 Fármaco Atlas 保存分子、结构、结果及其来源,并通过定向数据库查询取回决策所需证据;单次请求可对整批分子发起计算,无需为每个化合物单独做一次 LLM 决策。
预印本 · arxiv · 2611.03832
本站摘要基于收录版本 v1(2026-11-04),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v1
计算药物发现为提出和评估分子提供了日益丰富的工具,但将这些工具组合起来并决定下一步行动,仍然需要大量专家投入。在此,我们介绍 El Agente Fármaco,一个利用现代大语言模型(LLM)技术,将日常语言表达的发现目标转化为复杂、可扩展的计算筛选工作流的 AI 科学家。该智能体框架会选择科学工具、审阅其结果,并根据目标和用户的目标调整后续步骤。我们的方法以一个共享的科学记忆为核心:Fármaco Atlas,它将分子、结构和结果连同其来源——即这些结果如何获得的记录——一并存储。智能体通过有针对性的数据库查询来检索每项决策所需的证据。一次请求即可为整个分子集合启动计算,而无需为每个化合物单独做出一次 LLM 决策。这种设计限制了随着筛选集合增长模型必须处理的信息量,同时使底层结果仍可供检查和进一步分析。集成的工具支持分子生成、结合与分子性质的预测,以及可购买化合物的搜索。在与专家主导活动的回顾性比较中,该智能体在明确设定的筛选标准下,提出了化学上各不相同的候选分子,其对接评分具有竞争力,且计算得到的类药性更高。在一项包含 22 项任务、与直接工具调用和 Codex 对比的基准测试中,该智能体取得了观测到的最高平均模型评分,同时其中位数累计 token 使用量和峰值上下文占用更低。Fármaco 为灵活、可扩展的药物发现工作流提供了基础,将科学推理与持久、可追溯的计算工作记录连接起来。
来源:arXiv · arxiv.org