Представлен ИИ-агент MoLRSI: сам улучшает поиск молекул, 15,9% попаданий против 8,7%
В препринте представлен MoLRSI, ИИ-агент для поиска молекул. Он сочетает систематическую оптимизацию рабочих процессов (workflow) и архитектур моделей с постоянной памятью, общей для разных задач, и за счёт этого рекурсивно улучшает собственную политику поиска. Результаты работы процессов, итоги доработок и обратная связь от выполнения направляют следующие поиски, поэтому агент совершенствует и сами рабочие процессы, и стратегию их разработки.
Исходная проблема, как её формулируют авторы: поиск молекул идёт в огромных комбинаторных пространствах и требует балансировать конкурирующие биологические цели. ИИ-агенты умеют автоматизировать протоколы дизайна молекул, заданные экспертами, но одной автоматизации недостаточно: она не отвечает на вопрос, как подстраивать процессы под новые задачи и улучшать их разработку на основе опыта.
Агент проверили в двух задачах, где нужно уравновешивать несколько свойств. Первая, поиск антибиотиков. MoLRSI разработал процесс скрининга, учитывающий антибактериальную активность, цитотоксичность и структурную новизну. Экспериментальная доля попаданий (hit rate) составила 15,9%, против 8,7% у прежнего процесса, созданного экспертами, при тех же обучающих данных и той же библиотеке для скрининга.
Вторая задача, дизайн с нуля связывающих молекул (биндеров) для комплексов пептид, MHC (pMHC). MoLRSI разработал процессы, которые совместно учитывают связывание с мишенью и специфичность. Итог, восемь экспериментально подтверждённых попаданий против pMHC MART-1 и SARS-CoV-1, с предпочтительным связыванием по сравнению с проверенными нецелевыми мишенями. В этой же задаче, как сказано в аннотации, Claude Science «полностью провалился».
Авторы делают вывод, что оптимизация процессов на основе опыта позволяет справляться с конкурирующими целями поиска и улучшает стратегии поиска в последующих кампаниях.
Ключевые факты
- MoLRSI, ИИ-агент для поиска молекул: оптимизирует рабочие процессы и архитектуры моделей и хранит постоянную память между задачами, чтобы рекурсивно улучшать политику поиска.
- Поиск антибиотиков: процесс, разработанный MoLRSI, дал экспериментальную долю попаданий 15,9% против 8,7% у прежнего экспертного процесса на тех же обучающих данных и той же библиотеке.
- Дизайн биндеров пептид, MHC: восемь экспериментально подтверждённых попаданий против pMHC MART-1 и SARS-CoV-1 с предпочтительным связыванием по сравнению с проверенными нецелевыми мишенями.
- По словам авторов, в задаче pMHC Claude Science «полностью провалился»; подробностей сравнения в аннотации нет.
- Оценка проведена в двух задачах, где нужно балансировать конкурирующие свойства молекул.
Почему это важно
Работа показывает попытку автоматизировать не просто выполнение экспертного протокола, а саму разработку таких протоколов: агент учится на результатах прошлых кампаний и улучшает стратегию, по которой строит новые рабочие процессы. Заявленный результат в поиске антибиотиков, 15,9% экспериментальных попаданий против 8,7% у экспертного процесса, получен с экспериментальной проверкой, а не только на расчётных метриках.
Кому это важно
Исследователям, которые занимаются поиском лекарств, антибиотиков и белковых связывающих молекул с помощью ИИ, а также разработчикам научных ИИ-агентов, которым интересны память между задачами и самооптимизация рабочих процессов.
Как это применить
Напрямую применить результат пока сложно: в аннотации описан подход, а не готовый инструмент. Идея для практиков, вести постоянную память между задачами и использовать результаты прошлых запусков и обратную связь от выполнения, чтобы уточнять и процессы, и способ их разработки. Подробности реализации придётся искать в полном тексте препринта.
Можно ли доверять
Это препринт, и все данные взяты из аннотации; независимых подтверждений в тексте нет. Для сравнения 15,9% и 8,7% не приведены статистическая значимость и доверительные интервалы, а размер библиотеки для скрининга и число проверенных соединений не указаны. Для задачи pMHC не названо число проверенных кандидатов, поэтому доли попаданий там нет. Утверждение, что Claude Science «полностью провалился», дано без пояснений о том, как его запускали и что значит провал.
Риски и подводные камни
Две задачи, узкая база для общих выводов о том, что опыт-ориентированная оптимизация работает в поиске молекул в целом. Не указаны вычислительные затраты, время работы и число рекурсивных итераций, поэтому оценить цену подхода нельзя. Не названа и базовая модель, на которой работает MoLRSI. В задаче с антибиотиками в аннотации не сказано, были ли найденные соединения активны против конкретных патогенов.