DrugPilot：基于 LLM 的参数化推理智能体用于药物发现
人工智能
2025-07-29 v2 生物大分子
摘要
大型语言模型（LLM）集成自主智能体具有通过自动化推理与任务执行来推进科学发现的巨大潜力。然而，将 LLM 智能体应用于药物发现仍面临大规模多模态数据处理、任务自动化有限以及对领域特定工具支持不足等挑战。为克服这些限制，我们引入 DrugPilot，一个基于 LLM 的智能体系统，采用参数化推理架构，专为药物发现中的端到端科学工作流程设计。DrugPilot 通过整合结构化工具调用与新颖的参数化记忆池，实现多阶段研究进程。记忆池将来自公共来源和用户自定义输入的异构数据转换为标准化表示。该设计支持高效的多轮对话，减少数据交换期间的信息损失，并增强复杂科学决策。为支持训练与基准测试，我们构建了一个覆盖八个核心药物发现任务的药物指令数据集。在伯克利函数调用基准测试中，DrugPilot 显著优于如 ReAct 和 LoT 等最新智能体，分别在简单、多工具和多轮情景下的任务完成率分别达到 98.0%、93.5% 和 64.0%。这些结果凸显了 DrugPilot 作为需要自动化、交互式和数据集成推理的计算科学领域通用智能体框架的潜力。
引用
@article{arxiv.2505.13940,
title = {DrugPilot: LLM-based Parameterized Reasoning Agent for Drug Discovery},
author = {Kun Li and Zhennan Wu and Shoupeng Wang and Jia Wu and Shirui Pan and Wenbin Hu},
journal= {arXiv preprint arXiv:2505.13940},
year = {2025}
}
备注
29 pages, 8 figures, 2 tables