基於代理工具規劃的分子先導優化
提出TRACE，一種軌跡感知的LLM推理代理，用於分子先導優化，通過將工具選擇建模為序列決策問題，實現前向優化的結構約束改進，在ADMET優化任務中取得更高成功率、更大性能提升和更高有效性。
文章情報
要點
- TRACE將先導優化中的工具選擇視為序列決策問題，而非一步優化。
- 通過軌跡感知的決策，TRACE能夠在保持分子相似性的同時改善ADMET性質。
- 實驗表明TRACE在多個優化任務中優於基線模型。
為甚麼重要
這條新聞值得關注，因為TRACE將先導優化中的工具選擇視為序列決策問題，而非一步優化。
技術影響
可能影響模型選型、推理成本、產品能力和評測基準。
藥物發現是一個漫長且資源密集的多階段過程，其中先導優化階段扮演着將早期命中化合物轉化為可行候選藥物的關鍵角色。這一階段需要通過細微的分子結構修飾來改善與ADMET（吸收、分佈、代謝、排泄和毒性）相關的性質，同時保留與疾病靶點結合所必需的關鍵分子亞結構。近年來，人工智能在加速藥物發現方面顯示出巨大潛力，但大多數現有先導優化方法依賴於一步式分子優化，未能充分考慮序列設計決策的長期後果。
為克服這一侷限，研究團隊提出了TRACE，一種軌跡感知的大型語言模型（LLM）推理代理，專門用於分子先導優化。TRACE將分子優化工具的選擇形式化為動作軌跡上的序列決策問題。給定一個先導分子和優化目標，TRACE能夠做出軌跡感知的決策，從而在結構約束下實現前瞻性的優化調整。這種方法使得AI能夠像人類化學家一樣，考慮每一步修飾對未來步驟的影響，而不是孤立地優化單一性質。
在多個ADMET優化任務上的實驗表明，與基線模型相比，TRACE不僅實現了更高的優化成功率和更大的性質改善，還保持了更高的有效性和分子相似性。例如，在改善水溶性、降低毒性的同時，TRACE能夠保留先導化合物的關鍵藥效團。該研究由Lingxiao Li等人在2026年5月21日提交至arXiv，論文共12頁，涵蓋機器學習（cs.LG）和定量方法（q-bio.QM）領域。
這項研究的創新之處在於將長期規劃能力引入先導優化，顯著提升了AI驅動藥物發現的效率和效果。未來，TRACE有望與自動化實驗平台結合，進一步加速候選藥物的開發流程。