南加州大学、卡内基梅隆大学和伦斯勒理工学院的研究人员联合开发了一个专用于医药领域的AI Agent——DrugAgent。
DrugAgent能将复杂的药物发现任务分解为可管理的子任务，并且每个智能体都具备处理特定领域知识的能力和自动化执行ML任务的技巧。
在ADMET预测、药物-靶点相互作用预测以及分子优化三个专业测试中，DrugAgent皆表现出了非常好的性能，例如，在ADMET预测任务中，DrugAgent自动构建了一个随机森林模型，在PAMPA数据集上的F1得分为0.920，ROC-AUC得分为0.817。
DrugAgent的多智能体系统主要由两个关键组件构成：LLM Instructor和LLM Planner。LLM Instructor负责识别需要领域知识的步骤，并准备必要的工具；而LLM Planner则管理和优化想法空间，以确保生成的解决方案既可行又高效。
LLM Instructor的工作始于问题的分解。它将复杂的药物发现任务分解为更小、更具体的子步骤，这些子步骤可以更系统地解决。例如，在ADMET预测任务中，LLM Instructor会将任务分解为数据获取、分子指纹生成、模型训练和性能评估等子步骤。在识别出这些子步骤后，LLM Instructor会分析它们，确定哪些步骤需要领域专业知识或工具。这一过程涉及到使用专家策划的提示，以提高识别的准确性。
在确定了需要领域知识的子步骤后，LLM Instructor会收集或创建相应的工具。在药物发现任务中，这可能涉及到使用特定的API或库来处理生物数据或执行化学计算。
为了确保这些工具的准确性，LLM Instructor会设计单元测试来验证工具的正确性，从而减少错误传播的风险。通过这种方式，DrugAgent能够构建一个可靠的工具箱，这些工具可以在未来的任务中重用，提高效率并减少错误。
LLM Planner的角色是管理想法空间，这是一个包含所有可能方法或解决方案的集合。在药物发现任务中，由于缺乏单一确定性的解决方案，想法空间的管理显得尤为重要。
LLM Planner通过迭代地细化想法空间，使用来自编程观察的反馈来改进搜索过程，并专注于可执行的解决方案。在想法生成阶段，LLM Planner会根据问题陈述生成多个候选想法。
在细化阶段，它会使用工具失败或实验结果等观察来调整想法集。这个过程包括删除不可行的想法、修改现有想法以解决已识别的局限性，或基于累积的知识引入新的想法。
研究人员在ADMET预测、药物-靶标相互作用预测和分子优化三个专业测试平台上对DrugAgent进行了综合评估。
在ADMET预测任务中，DrugAgent面临的挑战是预测药物的药代动力学属性，这对于评估药物的疗效和安全性至关重要。DrugAgent通过自动化地下载和分割PAMPA数据集，生成分子指纹，并训练随机森林模型来预测药物的吸收性。实验结果显示，DrugAgent的随机森林模型在预测吸收性时达到了0.920的F1分数和0.817的ROC-AUC分数，表现出色。
在DTI预测任务中，DrugAgent需要预测药物与目标蛋白之间的结合亲和力。这一任务对于药物再利用和副作用预测等领域具有重要意义。DrugAgent通过分析小分子化合物结构和蛋白质氨基酸序列，成功地自动化了这一多实例预测任务。
在分子优化任务中，DrugAgent的目标是生成具有理想药物属性的新分子。这是一个生成任务，要求DrugAgent不仅要理解现有的分子结构，还要能够创造出新的分子结构。DrugAgent通过使用目标设计方法，减少了全面搜索的需要，提高了效率和创新性。这一任务的成功完成，进一步证明了DrugAgent在药物发现领域的广泛应用潜力。
