跳到主要内容
返回时间线
arXiv来源发表:

智能体把上一轮搜索的经验带进下一轮:MolRSI 筛出 107 个化合物,命中率 15.9%

核心概要

分子发现智能体 MolRSI 把每次工作流搜索的结果存进跨任务记忆,让后续任务从已有经验出发而不是从零试错。在抗生素虚拟筛选中,它用与先前专家工作流相同的训练数据和筛选库选出 107 个化合物,实验命中率为 15.9%,而先前专家工作流为 8.7%;在肽–MHC 结合子设计中,它针对 MART-1 与 SARS-CoV-1 得到 8 个实验验证命中,同一条件下 Claude Science 未得到命中。

Source-provided article image: MoLRSI: A Recursive Self-Improving AI agent for Molecular Discovery
arXiv

深度剖析

分子发现智能体开始把上一个项目的搜索经验带进下一个项目,而不只是自动执行专家写好的设计流程。 此前的科学智能体可以检索工具并组合成工作流,但各次筛选活动彼此隔离,一次项目里哪种改法有效、哪种执行失败,不会影响下一次的搜索策略。 在抗菌活性预测的六个细菌物种任务上,MolRSI 在相同搜索预算下总体取得比 Biomni、Claude Science、STELLA、Codex 和 Claude Code 更高的平均测试 AUPRC,在其中四个任务排名第一、其余两个排名第二。

MolRSI 把科学方法与配套代码整理成可执行、经运行验证的技能,再用这些技能拼装和修改候选工作流。 搜索由经验引导的蒙特卡树搜索承担,它决定探索哪个工作流家族、从哪个父工作流出发修改、以及如何分配算力和修复执行错误。 小分子资源库包含 110 个可复用技能,其中 55 个模型、48 个方法和 7 个工具或资源;抗菌任务上的经验来自 25 个源任务的独立搜索,这 25 个任务不含六个抗菌基准任务。

经验被分成三类记忆保存:工作流及其得分、修改方案及其结果、运行开销与报错修复记录。 每次尝试都会更新这些记忆,因此同一任务内的后续迭代和之后的新任务都会用到前面的结果,形成递归自我改进的循环。 在六个抗菌任务上,带跨任务经验的搜索在全部六个任务上都提高了平均测试 AUPRC;把源任务数从 2 增加到 25,迁移工作流的平均测试 AUPRC 从约 0.32 升到约 0.37,高于无经验搜索 20 轮后的 0.361。

启示与展望

已展示的范围是虚拟抗菌筛选与肽–MHC 结合子设计两类任务:前者用与先前专家工作流相同的训练数据和约 1210 万化合物的筛选库选出 107 个化合物做实验,后者在 MART-1 与 SARS-CoV-1 两个靶点上做噬菌体展示筛选。读者对象是关注科学智能体与分子设计流程的研究人员和工程师。

作者指出,策略更新能否在生物靶点和评价标准变化后继续有用仍待检验,经验池中哪些任务入选会影响结果;他们还表示,生物实验验证仍是判断更高计算得分是否对应更有效候选的必要环节,并设想未来把实验结果纳入策略更新。