生物学设计的纯粹代理驱动黑盲优化
机器学习
2026-05-08 v2
摘要
生物学设计中的许多关键挑战——如小分子药物发现、抗菌肽开发和蛋白质工程——可被建模为对庞大复杂结构空间的黑盲优化。现有方法主要依赖原始结构数据，难以利用丰富的科学文献。虽然已将大型语言模型（LLM）加入这些管道，但仅限于结构中心优化器中的狭窄角色。我们因此将生物学黑盲优化表述为基于代理的、语言推理过程。我们引入纯粹代理驱动黑盲优化（PABLO），这是一种层次化代理系统，利用预训练于化学和生物学文献的科学LLM来生成并迭代细化生物学候选物。在标准的GuacaMol分子设计和抗菌肽优化任务上，PABLO实现了最新性能，显著改进了样本效率和最终目标值，超越了既定基线。与将LLM纳入先前优化方法相比，PABLO在运行时保持竞争的token使用，尽管整个优化循环都依赖LLM。除原始性能外，代理导向的表述为实现真实世界设计提供了关键优势：它自然地包含语义任务描述、检索增强的领域知识以及复杂约束。在随后的体外验证中，PABLO优化的肽类对抗药物抗性病原体表现出强效活性，彰显了PABLO在疗法发现中的实际潜力。
引用
@article{arxiv.2601.22382,
title = {Purely Agent-Driven Black-Box Optimization for Biological Design},
author = {Natalie Maus and Yimeng Zeng and Haydn Thomas Jones and Yining Huang and Gaurav Ng Goel and Alden Rose and Kyurae Kim and Hyun-Su Lee and Marcelo Der Torossian Torres and Fangping Wan and Cesar de la Fuente-Nunez and Mark Yatskar and Osbert Bastani and Jacob R. Gardner},
journal= {arXiv preprint arXiv:2601.22382},
year = {2026}
}