基于智能体工具规划的分子前驱优化

药物发现是一个漫长且资源密集的过程，由多个阶段组成。在这些阶段中，前驱优化发挥着关键作用，将早期的活性化合物转化为可行的药物候选物。这一阶段需要通过细微的结构优化来改进与ADMET相关的属性，同时保留负责与疾病靶点结合亲和力的关键分子亚结构。最近的人工智能进展在加速药物发现的各个方面显示出前景；然而，大多数现有的前驱优化方法依赖于单步分子优化，无法考虑顺序设计决策的长期后果。为解决这一限制，我们提出了TRACE——一种基于轨迹的、基于大语言模型推理的分子前驱优化智能体，该智能体将工具选择形式化为动作轨迹上的顺序决策问题。给定一个前驱分子和优化目标，TRACE对分子优化工具做出轨迹感知的决策，实现受结构约束的前瞻性优化。在多个ADMET优化任务上的实验表明，我们的智能体在优化成功率、属性改进幅度和有效性方面均优于基线模型，同时保持了较高的分子相似性。