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
Amir Barati Farimani, Janghoon Ock, Radheesh Sharma Meda, Srivathsan Badrinarayanan, Neha S. Aluru, Achuth Chandrasekhar
2026-02-09

агент на основе большой языковой моделимодульное выполнение задачгенерация молекулгенерация структур белок-лигандгенерация с дополненной поиском
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.
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.

конвейер вычислительного поиска лекарственных средств на ранних стадиях, включая молекулы-кандидаты и белок-лигандные комплексы

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
Access Type
Author Information
Authors
Amir Barati Farimani
Janghoon Ock
Radheesh Sharma Meda
Srivathsan Badrinarayanan
Neha S. Aluru
Achuth Chandrasekhar
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%