AgentDrug：利用大语言模型在智能体工作流程中实现零样 molecular 编辑
机器学习
2026-02-10 v13 人工智能
计算机视觉与模式识别
摘要
分子编辑——即修改给定分子以改善所需属性——是药物发现中的基本任务。虽然大语言模型（LLM）有望通过自然语言驱动编辑来解决此任务，但直接的提示方法仅实现有限的准确率。本文提出了 AgentDrug，一种利用 LLM 的智能体工作流程，通过结构化精炼过程实现显著更高的准确率。AgentDrug 定义了一个嵌套的精炼循环：内部循环使用来自化学软件工具的反馈来验证分子结构，而外部循环则通过通用反馈和基于梯度的目标来引导 LLM，使分子趋向属性改进。我们在包含单属性编辑和多属性编辑的基准测试中对 AgentDrug 进行评估，分别在宽松和严格阈值下进行。结果显示，AgentDrug 在六个单属性任务上实现了显著的性能提升（宽松提升 20.7%，严格提升 16.8%），并在八个多属性任务上提升 7.0% 和 5.3%。使用更大的模型 Qwen-2.5-7B，AgentDrug 在六个单属性目标上进一步提升准确率（宽松提升 28.9%，严格提升 29.0%），并在八个多属性目标上提升 14.9% 和 13.2%。
引用
@article{arxiv.2410.13147,
title = {AgentDrug: Utilizing Large Language Models in An Agentic Workflow for Zero-Shot Molecular Editing},
author = {Khiem Le and Ting Hua and Nitesh V. Chawla},
journal= {arXiv preprint arXiv:2410.13147},
year = {2026}
}
备注
EMNLP'25 Findings