arXiv cs.AI· Haosen Zhang, Yang Yang·· 10 小时前AI 评分33
EASER：弥合证据到执行鸿沟的多目标肽设计反思型智能体
Bridging the Evidence-to-Execution Gap:A Reflective Agent for Multi-Objective Peptide Design
AI 导读
EASER 是一个反思型智能体，通过可学习的属性接口把文献推理与序列生成连接起来：LLM 控制器组合离线训练的低秩方向，操控冻结的扩散生成器，并以 Probe-and-Steer 检验干预假设、通过反思更新记忆。在计算抗菌肽设计任务上，EASER 平衡活性、非溶血性与非毒性，显式假设构建带来的多目标增益优于直接生成动作，且在筛选候选上取得最高平均 hypervolume 与最低平均 IGD+。
正文 · AI 翻译
摘要：大型语言模型能够对科学文献进行推理，但文本形式的计划无法可靠地生成具有预期性质的生物序列。序列生成器能够捕捉序列模式，但它们不解读证据、不选择干预措施，也不对结果进行反思。这种分离在科学推理与序列级控制之间造成了从证据到执行的鸿沟。我们提出 EASER，一个通过习得性质接口将两者连接起来的反思型智能体。该接口由离线训练、搜索期间保持固定的性质特定低秩方向组成；一个 LLM 控制器（即控制器）将它们组合起来，以引导一个冻结的扩散生成器。基于检索到的证据、序列上下文和先前结果，它提出干预假设，指定锚点、可编辑位置和系数。Probe-and-Steer 检验这些假设，并根据其联合预测响应分配后续样本；反思则更新智能体的记忆。在计算抗菌肽设计中，EASER 在活性、非溶血性和非毒性之间取得平衡。显式假设构建比直接动作生成带来更大的多目标增益，消融实验支持证据检索、情景历史、反思和 Probe-and-Steer 的作用。在筛选后的候选上，EASER 在所评估的搜索策略和生成器中取得了最高的平均超体积和最低的平均 IGD+。这些结果表明，习得的性质接口可以使基于文献的推理在序列层面变得可执行。
| 评论： | 24 页，8 幅图 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.06190 [cs.AI] |
| （或 arXiv:2610.06190v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.06190 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Haosen Zhang [查看邮箱]
[v1]
2026 年 10 月 5 日星期一 12:07:21 UTC（3,563 KB）
[v2]
2026 年 11 月 10 日星期二 08:57:01 UTC（2,874 KB）
来源：arXiv cs.AI · arxiv.org