探索用于药物发现的智能体系统的模块化
机器学习
2025-08-22 v2 计算与语言
多智能体系统
摘要
大型语言模型（LLM）和智能体系统为加速药物发现提供了令人兴奋的机会。在本研究中，我们考察了基于LLM的用于药物发现的智能体系统的模块化，即系统的各个部分（如LLM和智能体类型）是否可互换，这一主题在药物发现领域受到的关注有限。我们比较了不同LLM的性能以及工具调用智能体与代码生成智能体的有效性。我们的案例研究使用LLM作为评判者（LLM-as-a-judge）评分来比较在化学和药物发现中编排工具的性能，结果表明Claude-3.5-Sonnet、Claude-3.7-Sonnet和GPT-4o优于Llama-3.1-8B、Llama-3.1-70B、GPT-3.5-Turbo和Nova-Micro等替代语言模型。尽管我们确认代码生成智能体平均优于工具调用智能体，但我们表明这在很大程度上取决于具体问题和模型。此外，替换系统提示词的影响也取决于问题和模型，这强调即使在这个特定领域，也不能在不重新设计的情况下简单地替换系统组件。我们的研究强调了进一步研究智能体系统模块化的必要性，以便为现实世界的问题开发可靠且模块化的解决方案。
引用
@article{arxiv.2506.22189,
title = {Exploring Modularity of Agentic Systems for Drug Discovery},
author = {Laura van Weesep and Samuel Genheden and Ola Engkvist and Jens Sjölund},
journal= {arXiv preprint arXiv:2506.22189},
year = {2025}
}