AutoBinder Agent：一种基于MCP的蛋白ubinder设计智能体
生物大分子
2026-02-03 v1 人工智能
摘要
现代药物发现AI技术分布在异构平台上，包括Web应用程序、桌面环境和代码库，导致工作流程碎片化、界面不一致和高集成开销。我们提出一个智能体化的端到端药物设计框架，利用大语言模型（LLM）结合模型上下文协议（MCP），动态协调访问生化数据库、模块化工具链和任务特定AI模型。该系统集成了四个最先进的组件：MaSIF（MaSIF-site和MaSIF-seed-search）用于基于几何深度学习的蛋白-蛋白相互作用（PPI）位点识别，Rosetta用于将蛋白片段接枝到蛋白主干上以形成小型蛋白，ProteinMPNN用于氨基酸序列重新设计，AlphaFold3用于接近实验精度的复杂结构预测。从目标结构开始，该框架支持通过表面分析、骨架接枝和构象构造、序列优化和结构预测进行de novo binder生成。此外，通过将刚性、基于脚本的工作流程替换为协议驱动、LLM协调的架构，框架提高了可重复性，减少了手动开销，并确保跨整个药物设计流程的可扩展性、可移植性和可审计性。
引用
@article{arxiv.2602.00019,
title = {AutoBinder Agent: An MCP-Based Agent for End-to-End Protein Binder Design},
author = {Fukang Ge and Jiarui Zhu and Linjie Zhang and Haowen Xiao and Xiangcheng Bao and Fangnan Xie and Danyang Chen and Yanrui Lu and Yuting Wang and Ziqian Guan and Lin Gu and Jinhao Bi and Yingying Zhu},
journal= {arXiv preprint arXiv:2602.00019},
year = {2026}
}
备注
4 pages, 3 figures