《Frontiers in Pharmacology》：MolecureAI: an agentic AI platform for autonomous drug discovery
编辑推荐：
：
加速各治疗领域可行药物候选物的识别，需要能够通过结构不变量而非模型能力来强制化学正确性的自主分子生成系统。本文提出MolecureAI，一种用于闭环药物发现的自主AI智能体架构，采用成本有序级联评估（cost-ordered cascade evaluat
：
加速各治疗领域可行药物候选物的识别，需要能够通过结构不变量而非模型能力来强制化学正确性的自主分子生成系统。本文提出MolecureAI，一种用于闭环药物发现的自主AI智能体架构，采用成本有序级联评估（cost-ordered cascade evaluation），解决了该领域尚未解决的四个能力缺口：自主设计策略选择、持久跨战役结构记忆、循环内ADMET安全门控（in-loop ADMET safety gating），以及将文献规模证据整合进入生成循环。成本有序级联将完整的基于结构的评估集中于一个经过预筛选的小型幸存者集合，实现了候选物相对生成数量的2.5×缩减。循环内代谢门控通过将标记的反应性亚结构写入每靶标学习状态，抑制后续所有生成轮次中已识别的缺陷，从而强制执行吸收、分布、代谢、排泄和毒性（ADMET）安全性。持久战役记忆通过将先前的结构成功与失败模式直接嵌入设计上下文来影响生成轨迹。研究人员在三个结构多样的基准靶标（EGFR、KRASG12C和BRD4）上，通过五条件组件消融和受控记忆消融验证了这些架构不变量，并通过确定性重校准层确认了跨四个语言模型后端的生成器无关性，该重校准层覆盖了后端自我评估偏差。在没有明确化学型指令的情况下，该流程仅凭结构反馈即计算性收敛于带有4-苯胺喹唑啉骨架的候选物，该骨架是已批准抑制剂厄洛替尼（erlotinib）和吉非替尼（gefitinib）的特征。持久战役记忆显示出轮间得分方差降低和后期推进率提高的方向性但非显著性趋势（每条件n≈90；所有p>0.20）。组件消融揭示，优化单一目标会导致其他性能崩溃；只有完整编排才能解决这一张力。所有后端79%以上的推进率确认，已验证的性质是生成器无关的，由架构不变量而非模型能力强制执行。所有报告的结果均为计算生成过程的属性；推进候选物的前瞻性生化验证仍是未来工作的首要方向。
论文解读文章
一、研究背景与问题
将单个小分子治疗药物从靶标识别推进至临床批准，平均需要超过十年迭代研究，投资超过二十亿美元，且临床试验失败率超过百分之九十。约百分之四十的后期临床失败归因于疗效不足，另有百分之三十归因于安全性和毒性缺陷，这些问题原则上在分子层面即可在化合物进入临床前被检测。计算分子生成领域已沿四条主要路线取得进展：因果语言模型（如MolGPT、DrugGPT）展示了高化学有效性；三维等变扩散模型（如TargetDiff、DiffSBDD）直接以结合口袋几何为条件进行生成；强化学习平台（如REINVENT 4、DrugEx v2）同时优化效价与ADMET目标；LLM工具增强智能体（如ChemCrow）及模型上下文协议（MCP）则实现了LLM与外部计算工具之间的标准化、生成器无关接口。
然而，现有系统均围绕单一战役划定边界：奖励函数由用户提供，评分组件在运行前固定，每个分子和每条经验在运行结束时被丢弃。由此产生四个具体缺口：策略缺口——没有平台能从靶标自身证据决定片段生长、先导优化或重定位，策略仍是用户必须设定的超参数；结构与时间缺口——除MolMem外，化学知识不跨战役持久化，且现有系统采用通用类药性过滤器而非基于特定靶标已知活性物的经验生物活性分布来设定阈值，结构验证也未系统扩展到结合姿态几何、活性位点约束、口袋占用率及置信度评分；代谢缺口——BioTransformer等安全工具作为事后过滤器与生成循环脱节，代谢警报无法阻止生成器再次提出相同缺陷；认知缺口——没有平台将文献规模证据综合直接整合进设计循环，监管背景、生物活性先例和知识产权格局需人工组装。
二、研究内容与核心发现
MolecureAI是一个自主的、自然语言驱动的药物发现平台，以统一架构解决上述四个缺口。平台作为已部署的Web应用公开可访问，注册用户可通过完整级联流程运行分子设计战役。靶标解析委托给OrigeneMCP工具生态系统，从化合物检索到策略选择、循环内评估、路由、规划和持久记忆均为MolecureAI的贡献。
论文引入五项架构贡献：自主设计策略选择，在首个生成步骤前由五个正交证据信号计算系统级决策，取代策略作为超参数的假设；靶标特异性性质阈值，源自经验生物活性分布而非通用类药性启发式，结合多层级结构验证，将评估从对接分数扩展到结合几何、活性位点约束和口袋占用率；整合式代谢与心脏安全门控，通过BioTransformer定位为核心设计特性而非后处理过滤器，闭合了先前系统留下的反馈循环；统一生成与研究工具层，文献规模证据综合直接约束设计；共享结构记忆架构，跨独立发现会话累积类型化、结构索引的经验。
实验评估由四个连续分支组成。实验1至3将生成器固定为groq-8b以确保观察行为反映流程级架构而非模型特定能力，随后LLM骨干基准变化生成器以测试这些性质是否独立于模型选择成立。实验1验证完整流程在EGFR、KRASG12C和BRD4三个结构多样靶标上作为连贯系统运行；实验2通过五条件组件消融隔离级联架构贡献；实验3在EGFR上进行有/无记忆消融；实验4跨四个LLM后端验证生成器无关性。
三、关键技术方法
MolecureAI组织为五个功能层的流水线，每层有明确职责且不可被其他层绕过。输入与路由层通过单次通过意图分类器将自然语言查询不可撤销地提交至三种操作模式之一：通用聊天、研究战役或生成战役。战役设置层执行靶标解析、从ChEMBL和PubChem检索已知生物活性化合物，并通过自主战役模式选择器承诺三种设计策略之一：片段基发现、先导优化或药物重定位。迭代设计循环层是生成战役的计算核心，约束驱动生成产生候选SMILES字符串，立即通过四层级成本有序级联评估：物理化学过滤（亚秒级）、ADMET与代谢安全门控（秒级）、基于结构的对接（数十秒）和姿态质量分析（秒级）。记忆与监管存储层并行运行三个持久存储：评估记忆（按Morgan指纹和ChemBERTa嵌入索引每个评估结构及其结果）、每靶标学习状态（跨所有同靶标战役累积成功与失败模式及不断增长的禁用亚结构列表）和监管记忆（持有FDA安全信号、临床试验结果和专利格局先验，带明确新鲜度窗口）。输出层根据操作模式交付排序可导出的候选列表或带文献索引的结构化证据报告。所有架构不变量相同：每个评分权重在组件不可用时重新归一化为一；每个结构在评估前被规范化；每个路由裁决被不可变记录；在较便宜的门清除前不调用昂贵计算。
四、研究结果
实验1：完整流程验证。级联漏斗显示EGFR生成44个候选物，其中39个通过BT筛选与对接，22个进入高级阶段，推进率50%；KRASG12C生成20个，12个通过筛选与对接，4个推进，推进率20%；BRD4生成22个，17个通过，9个推进，推进率41%。无候选物在代谢门被淘汰。值得注意的是，在没有明确化学型指令的情况下，流程仅凭结构反馈计算性收敛于带有4-苯胺喹唑啉骨架的候选物，该骨架是已批准抑制剂厄洛替尼和吉非替尼的特征。
实验2：五条件组件消融。消融揭示优化单一目标会导致其他性能崩溃，只有完整编排才能解决这一张力。成本有序级联实现候选物相对生成数量的2.5×缩减，将完整基于结构的评估集中于小型预过滤幸存者集合。
实验3：持久战役记忆消融。持久战役记忆显示出轮间得分方差降低和后期推进率提高的方向性但非显著性趋势（每条件n≈90；所有p>0.20）。
实验4：生成器无关性验证。跨四个LLM后端（groq-8b、claude-sonnet、gpt-4o、gemini-1.5-pro），所有后端推进率均高于79%，确认验证性质为生成器无关，由架构不变量而非模型能力强制执行。确定性重校准层覆盖了后端自我评估偏差。
与ChemCrow的聚焦比较：在EGFR默认操作配置下，MolecureAI以Llama 3.1 8B Instant为后端，27次迭代产生30个有效唯一候选物（30/30），ADMET通过率100%，对接通过率100%（平均对接分数?7.82 kcal/mol），最终命中30个，运行约91分钟、API成本约$0.12；ChemCrow以GPT-4o为后端，单次请求30个，有效候选物18/30，ADMET通过率0%（0/18），对接通过率77.8%（14/18，平均?7.50 kcal/mol），最终命中0个，运行约18分钟、成本约$0.09。
五、讨论与结论
论文明确区分了各项架构贡献的证据权重：成本有序级联和多层级结构验证在三个靶标上经完整流程和五条件消融验证，但层级4姿态级验证仅部分行使，AlphaFold回退未被使用；整合式代谢与心脏安全门控经实验1和2中的BioTransformer分析验证；持久战役记忆仅在EGFR上经有/无记忆消融验证；生成器无关性在EGFR上经四个后端验证；自主设计策略选择在所有战役中一致应用但属于架构实现；研究战役综合在本次实证研究中未行使，属于架构实现。论文指出与ChemCrow的比较是在各系统默认操作配置下提供的情境证据，而非受控的、后端匹配的基准，后者被确定为下一评估周期的优先事项。所有报告的结果均为计算生成过程的属性，推进候选物的前瞻性生化验证仍是未来工作的首要方向。
