MoLRSI：让分子发现智能体从实验反馈中持续进化

导语

分子发现的难点，不只是从巨大化学空间中找到候选物，还要同时满足活性、安全性、选择性和结构新颖性等相互牵制的目标。传统 AI 智能体通常能够按照专家预先写好的流程执行任务，但当目标变化、数据有限或前一轮实验结果不理想时，如何调整流程本身，仍然需要人工介入。

论文提出的 MoLRSI，试图把“设计分子”和“改进发现流程”放进同一个递归循环中。它不仅搜索候选分子，也会评估工作流、模型架构和搜索策略，并将过去任务中的经验保留下来，供后续任务参考。

核心要点

• 优化对象从分子扩展到工作流。 MoLRSI 会根据工作流表现、优化结果与执行反馈，调整筛选步骤、模型组合和搜索方式，而不是机械执行固定方案。
• 引入跨任务持久记忆。 先前任务中哪些策略有效、哪些改动带来改善，会成为后续搜索的参考，从而减少每次从零开始探索的成本。
• 面向多目标发现。 在抗生素发现任务中，系统同时考虑抗菌活性、细胞毒性和结构新颖性，并在相同训练数据与筛选库条件下取得 15.9% 的实验命中率，高于此前专家主导流程的 8.7%。
• 覆盖蛋白质结合设计。 在从零设计肽-MHC 结合剂的实验中，MoLRSI 联合考虑靶标结合能力与特异性，针对 MART-1 和 SARS-CoV-1 pMHC 获得了 8 个实验验证命中物；这些分子相对于测试的脱靶对象表现出偏好性结合。素材还指出，Claude Science 在该对比中未能获得成功结果。

意义与影响

MoLRSI 的重要性并不只在于某个任务上的命中率提升，而在于它展示了一种更接近“研究助理”的 AI 形态：系统可以从实验和执行过程获取信号，反过来改写完成任务的方法。这意味着分子发现智能体的竞争力，可能不仅取决于底层模型的规模，也取决于它能否积累经验、识别失败原因，并将经验迁移到新任务。

当然，现有结果来自论文所报告的两个应用场景，不能直接推导出对所有药物研发任务都有效。实验命中率、筛选规模、工作流细节及长期可重复性，仍需要更多独立研究和更大范围验证。即便如此，MoLRSI 已将研究重点从“让 AI 自动执行专家流程”推进到“让 AI 学会改进专家流程”，为 AI for Science 中的自我改进智能体提供了一个具体案例。

来源：Hugging Face Daily Papers