基于代理工具规划的分子先导优化
提出TRACE，一种轨迹感知的LLM推理代理，用于分子先导优化，通过将工具选择建模为序列决策问题，实现前向优化的结构约束改进，在ADMET优化任务中取得更高成功率、更大性能提升和更高有效性。
文章情报
要点
- TRACE将先导优化中的工具选择视为序列决策问题，而非一步优化。
- 通过轨迹感知的决策，TRACE能够在保持分子相似性的同时改善ADMET性质。
- 实验表明TRACE在多个优化任务中优于基线模型。
为什么重要
这条新闻值得关注，因为TRACE将先导优化中的工具选择视为序列决策问题，而非一步优化。
技术影响
可能影响模型选型、推理成本、产品能力和评测基准。
药物发现是一个漫长且资源密集的多阶段过程，其中先导优化阶段扮演着将早期命中化合物转化为可行候选药物的关键角色。这一阶段需要通过细微的分子结构修饰来改善与ADMET（吸收、分布、代谢、排泄和毒性）相关的性质，同时保留与疾病靶点结合所必需的关键分子亚结构。近年来，人工智能在加速药物发现方面显示出巨大潜力，但大多数现有先导优化方法依赖于一步式分子优化，未能充分考虑序列设计决策的长期后果。
为克服这一局限，研究团队提出了TRACE，一种轨迹感知的大型语言模型（LLM）推理代理，专门用于分子先导优化。TRACE将分子优化工具的选择形式化为动作轨迹上的序列决策问题。给定一个先导分子和优化目标，TRACE能够做出轨迹感知的决策，从而在结构约束下实现前瞻性的优化调整。这种方法使得AI能够像人类化学家一样，考虑每一步修饰对未来步骤的影响，而不是孤立地优化单一性质。
在多个ADMET优化任务上的实验表明，与基线模型相比，TRACE不仅实现了更高的优化成功率和更大的性质改善，还保持了更高的有效性和分子相似性。例如，在改善水溶性、降低毒性的同时，TRACE能够保留先导化合物的关键药效团。该研究由Lingxiao Li等人在2026年5月21日提交至arXiv，论文共12页，涵盖机器学习（cs.LG）和定量方法（q-bio.QM）领域。
这项研究的创新之处在于将长期规划能力引入先导优化，显著提升了AI驱动药物发现的效率和效果。未来，TRACE有望与自动化实验平台结合，进一步加速候选药物的开发流程。