創薬は長期間かつ資源集約的なプロセスであり、複数の段階から構成される。その中でもリード最適化は、初期のヒット化合物を実用的な候補薬に変換する重要な段階である。この段階では、標的への結合親和性を担う重要な分子サブ構造を保持しながら、微妙な構造修飾によってADMET関連特性を改善する必要がある。近年の人工知能の進歩により、創薬のさまざまな側面を加速できる可能性が示されているが、既存のリード最適化アプローチの多くは単一ステップの分子最適化に依存しており、逐次的な設計判断が長期的に及ぼす影響を考慮できていない。
この限界に対処するため、Lingxiao LiらはTRACEを提案した。TRACEは、分子リード最適化のための軌跡認識型LLM推論エージェントであり、ツール選択を行動軌跡上の逐次意思決定問題として定式化する。リード分子と最適化目的が与えられると、TRACEは分子最適化ツールに対して軌跡認識型の意思決定を行い、構造制約の下で将来を見据えた精緻化を可能にする。つまり、各ステップの即時的な利益だけでなく、最適化経路全体が最終分子に与える影響を評価する。
研究チームは複数のADMET最適化タスクで実験を行った。その結果、TRACEはベースラインモデルと比較して、最適化成功率が高く、特性改善量が大きく、有効性が高い一方で、分子類似性を維持できることが示された。これらの結果は、軌跡認識型の逐次意思決定フレームワークが、リード最適化における複雑なトレードオフに効果的に対処できることを示唆している。
本論文は2026年5月21日に提出され、全12ページで、機械学習（cs.LG）と定量的手法（q-bio.QM）の学際領域に属する。著者はLingxiao Liら4名であり、論文番号はarXiv:2605.28862v1である。この研究は、ツールの系列を計画するエージェントを通じて多段階最適化の全体的な効果を高めるという、AI駆動型の薬剤設計に新たな方向性を提示している。