DrugSAGE：高效药物发现的自演化代理经验
机器学习
2026-05-18 v1 人工智能
摘要
构建药物发现的 SOTA 预测模型需要在工具、架构和训练策略之间进行高昂的搜索。当前的 LLM-based 代理可以通过大量试错找到 SOTA 解决方案，但它们不保留沿途积累的经验，因此在每个新任务上都要付出完整的搜索成本。我们提出了 \method（自演化代理经验），一个在任务之间积累和重用经验以高效构建 SOTA 药物发现模型的框架。\method 维护着经过验证技能的跨任务记忆、关于有效策略的统计证据，以及不规则错误及其修复的记录。在某些情况下，\method 直接转移工作解决方案而无需测试时搜索。在 33 个分子属性预测任务中，\method 在单任务设置中排名 ninth SOTA 代理之首。With memory accumulated from 16 个较小任务，\method 在跨任务评估设置下的 17 个 held-out 任务上实现平均 normalized score 为 0.935， 并在零测试时搜索模式下超过所有基线代理 10-30%。总之，我们的工作表明，跨任务记忆对于在药物发现中高效开发 SOTA 模型具有优势。
引用
@article{arxiv.2605.15461,
title = {DrugSAGE:Self-evolving Agent Experience for Efficient State-of-the-Art Drug Discovery},
author = {Yikun Zhang and Xiwei Cheng and Tianyu Liu and Yuanqi Du and Wengong Jin},
journal= {arXiv preprint arXiv:2605.15461},
year = {2026}
}