用于假设驱动药物发现的 LLM 智能体群

药物发现始终是巨大的挑战：超过 90% 的候选分子在临床评估中会失败，获批疗法的开发成本常常超过十亿美元。来自基因组学、转录组学、化合物库和临床记录的零散数据，阻碍了对机制性洞察的形成并减缓了进展。与此同时，大型语言模型在推理和工具集成方面表现出色，但缺乏实现受监管、假设驱动工作流程所需的模块化专业化和迭代记忆。我们引入 PharmaSwarm，一个统一的多智能体框架，用以协调专门的 LLM "智能体" 提出、验证和细化新药靶点和前导化合物的假设。每个智能体访问专用功能——自动化基因组和表达分析；精选生物医学知识图谱；通路富集和网络模拟；可解释的结合亲和力预测——而中心 Evaluator LLM 持续对提案在生物学可行性、新颖性、体外疗效和安全性方面进行排序。共享记忆层捕获已验证的见解并微调底层子模型，以实现自我改进。可部署于低代码平台或基于 Kubernetes 的微服务，PharmaSwarm 支持文献驱动的发现、基因组学指导的靶点识别和市场导向的适应性疗法。我们还描述了一个严格的四层验证管道，涵盖回顾性基准测试、独立计算实验、实验测试和专家用户研究，以确保透明性、可重复性和实际影响。作为 AI 合作伙伴，PharmaSwarm 可以加快转化研究进程，比传统管道更高效地提供高置信度假设。