Агент на основе большой языковой модели для модульного выполнения задач в разработке лекарственных средств
Large Language Model Agent for Modular Task Execution in Drug Discovery
2026-02-09
SCID: 54.1/phux9kte
Discuss with AI
агент на основе большой языковой моделимодульное выполнение задачгенерация молекулгенерация структур белок-лигандгенерация с дополненной поиском
Figures from the paper
Abstract (AI)
Мы представляем модульную платформу на основе больших языковых моделей (LLM), которая автоматизирует и оптимизирует ключевые задачи на ранних этапах вычислительной разработки лекарственных средств. Объединяя рассуждение LLM со специализированными предметными инструментами, платформа выполняет поиск биомедицинских данных, ответы на вопросы с опорой на научную литературу посредством генерации с дополнением извлечёнными данными, генерацию молекул, прогнозирование множества свойств, уточнение молекул с учётом их свойств и генерацию трёхмерных структур белок–лиганд. Агент автономно извлекает релевантную биомолекулярную информацию, включая последовательности FASTA, представления SMILES и научную литературу, а также отвечает на механистические вопросы с более высокой контекстуальной точностью по сравнению со стандартными LLM. Затем он генерирует химически разнообразные исходные молекулы и прогнозирует 75 свойств, включая характеристики, связанные с ADMET, и общие физико-химические дескрипторы, которые направляют итеративное уточнение молекул. За два раунда уточнения число молекул со значением QED >0.6 увеличилось с 34 до 55. Также возросло число молекул, удовлетворяющих эмпирическим фильтрам лекарственноподобия; например, соответствие фильтру Ghose увеличилось с 32 до 55 в выборке из 100 молекул. Кроме того, платформа использовала Boltz-2 для генерации трёхмерных комплексов белок–лиганд и быстрого оценивания аффинности связывания соединений-кандидатов. Эти результаты демонстрируют, что данный подход эффективно поддерживает молекулярный скрининг, ранжирование приоритетов и оценку структур. Модульная архитектура обеспечивает гибкую интеграцию развивающихся инструментов и моделей, формируя масштабируемую основу для терапевтических исследований с использованием искусственного интеллекта.
Key Findings
1
Модульный агент на основе больших языковых моделей объединяет биомедицинский поиск, ответы на основе литературы, генерацию молекул, многопараметрическое предсказание, оптимизацию и построение 3D-комплексов.
2
За два раунда оптимизации число молекул с QED >0,6 выросло с 34 до 55, а число молекул, соответствующих фильтру Ghose, — с 32 до 55 среди 100 молекул.
3
Комплексы белок–лиганд, сгенерированные Boltz-2, и быстрые оценки аффинности связывания поддерживают скрининг, приоритизацию и структурную оценку кандидатов.
4
Система извлекает FASTA-последовательности, SMILES-представления и литературу, а ответы с дополненной поиском генерацией обеспечивают более высокую контекстуальную точность по сравнению со стандартными большими языковыми моделями.
5
Система предсказывает 75 свойств молекул, включая характеристики ADMET и физико-химические дескрипторы, для управления итеративной оптимизацией.
Research Object
конвейер вычислительного поиска лекарственных средств на ранних стадиях, включая молекулы-кандидаты и белок-лигандные комплексы
Research Subject
автоматизированная генерация молекул, оценка множества свойств, оптимизация с учётом свойств, а также скрининг и приоритизация на основе трёхмерных структур
Publication Details
Publication Date
2026-02-09
Journal
Publisher
ISSN
Cited by
12
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai9
Высокоточное предсказание структуры белков с помощью AlphaFold2021
Точное предсказание структуры биомолекулярных взаимодействий с помощью AlphaFold 32024
MoleculeNet: эталонный набор для машинного обучения молекул2017
ADMETlab 2.0: интегрированная онлайн-платформа для точных и комплексных прогнозов ADMET-свойств2021
Учёный ИИ: к полностью автоматизированному открытому научному поиску2024
Mordred: калькулятор молекулярных дескрипторов2018
Автономные химические исследования с использованием больших языковых моделей2023
Расширение возможностей больших языковых моделей с помощью химических инструментов2024
Модульные агенты на основе больших языковых моделей для многозадачной вычислительной материаловедческой науки2026