药物研发是一个漫长且资源消耗巨大的过程，通常由多个阶段组成。在从早期命中的化合物逐步转化为可成药候选分子的过程中，先导化合物优化（lead optimization）处于承上启下的关键位置。该阶段的核心任务是通过细微的结构修饰改善分子的ADMET相关性质，即吸收、分布、代谢、排泄与毒性，同时必须保留那些决定分子与疾病靶点结合亲和力的关键分子子结构。这意味着优化并非单纯追求某一项指标的提升，而是在药效、成药性与安全性之间寻求平衡。
近年来，人工智能在加速药物研发的多个环节上展现出潜力，例如虚拟筛选、性质预测与分子生成。然而，论文指出，现有的大多数先导化合物优化方法依赖于一步式分子优化（one-step molecular optimization）。这类方法在单步决策中给出一个修改后的分子，却无法考虑连续设计决策所带来的长期后果：一次看似有利的修饰可能会限制后续可用的改进路径，或在多步之后损害分子的有效性。因此，将优化过程建模为序列决策问题显得尤为重要。
为应对这一局限，作者提出了TRACE，一种具备轨迹感知能力的LLM推理智能体，用于分子先导优化。TRACE将工具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一个优化目标，智能体在多种分子优化工具之上进行轨迹感知的决策，从而在结构约束下实现具有前瞻性的分子精修。也就是说，系统不仅关注当前一步能带来多大性质提升，还会评估该选择在后续步骤中的影响，使整个优化路径具备全局视野。
实验部分在多个ADMET优化任务上评估了该方法。结果显示，与基线模型相比，该智能体取得了更高的优化成功率、更大的性质改进幅度以及更高的分子有效性，同时在保持分子相似性方面表现更好。分子相似性的保持尤为关键，因为它意味着优化后的分子仍然贴近原始先导化合物，从而更有可能保留对靶点的结合能力。
该论文由Lingxiao Li等四位作者完成，共12页，于2026年5月21日提交至arXiv，属于机器学习（cs.LG）与定量方法（q-bio.QM）交叉领域，arXiv编号为2605.28862，DOI为10.48550/arXiv.2605.28862，目前DOI注册尚待完成。论文以摘要形式公开，并提供PDF与实验性HTML版本。整体而言，该工作将智能体式工具规划引入分子优化流程，强调序列决策与轨迹感知，为AI辅助药物设计提供了一种区别于单步优化的思路。