MoLRSI：実験フィードバックで分子探索を改善するAIエージェント

導入

分子探索の難しさは、候補の組み合わせが膨大であることだけではありません。高い活性、低い細胞毒性、構造的な新規性、標的に対する選択性など、互いに両立しにくい条件を同時に満たす必要があります。既存のAIエージェントは専門家が設計したプロトコルを自動実行できますが、対象やデータが変わったときに、プロトコル自体をどう改良するかは別の課題でした。

論文で提案されたMoLRSIは、分子だけでなく、分子を探す方法そのものを最適化します。ワークフローの性能、改良の結果、実行時のフィードバックを次の探索に反映し、さらにタスクをまたいで経験を保存します。これにより、毎回ゼロから探索手順を設計するのではなく、過去の結果を使って探索方針を更新できます。

主なポイント

• ワークフローも最適化対象。 固定されたパイプラインを実行するだけでなく、モデルの組み合わせや手順、探索方針を評価し、改善します。
• タスク横断の永続的な記憶。 以前のキャンペーンで有効だった変更や、うまくいかなかった方針を後続タスクの参考にします。
• 複数目的の抗生物質探索。 抗菌活性、細胞毒性、構造的新規性を同時に考慮し、同じ訓練データとスクリーニングライブラリを使った従来の専門家主導手法の8.7%に対し、15.9%の実験ヒット率を報告しました。
• ペプチド・MHC結合分子の設計。 標的結合と特異性を共同で扱い、MART-1およびSARS-CoV-1 pMHCに対して、8件の実験検証済みヒットを得ました。テストしたオフターゲットに対する優先的な結合も確認されています。提供資料では、この比較でClaude Scienceは成功しなかったとされています。

意義と限界

MoLRSIの意義は、単に特定タスクのヒット率を上げたことだけではありません。AIエージェントを、専門家のレシピを実行する自動化ツールから、レシピ自体を改善する研究支援システムへ近づける点にあります。実験結果や運用上の失敗を次のワークフロー設計に利用できれば、AIは予測モデルだけでなく、研究の進め方にも適応できます。

一方、今回の結果は論文で扱われた2つの設定に基づくもので、あらゆる創薬課題への一般化を示すものではありません。再現性、ワークフローの透明性、探索規模、新しい標的への移植性については、今後の検証が必要です。それでも、科学研究向けAIの発展が、より大きなモデルだけでなく、経験を蓄積して探索戦略を改良するエージェントにも左右されることを示す事例です。

出典：Hugging Face Daily Papers