arXiv cs.AI· Zachary Cutts, John Coller, Rachel Chen, Hua Tang, Mathias Bellaiche, Ryder Easterlin, Dina Zverinski, Petar Sirkovic, Avinatan Hassidim, Yossi Matias, Pooja Rao, Annalisa Pawlosky·· 11 小时前AI 评分57
适配体作为闭环实验室智能体分子发现的试验场
Aptamers as a sandbox for lab-in-the-loop agentic molecular discovery
AI 导读
研究以蛋白结合适配体设计为试验场，让基于 LLM 的推理智能体与湿实验形成闭环，针对 α-thrombin 和 myoglobin 完成三轮设计-测试-改进，每轮约 1000 个候选、共约 4400 个构建体。
正文 · AI 翻译
作者：Zachary Cutts、John Coller、Rachel Chen、Hua Tang、Mathias Bellaiche、Ryder Easterlin、Dina Zverinski、Petar Sirkovic、Avinatan Hassidim、Yossi Matias、Pooja Rao、Annalisa Pawlosky
摘要：尽管 AI 驱动的分子生成已取得突破，现有发现流程大多仍在计算机中进行，湿实验反馈仅用于验证，而非迭代改进。基于大语言模型（LLM）的推理智能体能否通过与实验室数据迭代来加速从头发现，仍未得到证实。
在此，我们以蛋白结合适配体设计作为沙盒（周期 1-2 周，每个候选物 1-3 美元），展示湿实验室与 AI 系统的闭环协作。我们让智能体流程针对 $\alpha$-凝血酶和肌红蛋白开发适配体结合物，经历三轮设计-测试-改进循环（每轮约 1,000 个候选物；约 4,400 个构建体）。在新候选物中，经统计显著、磁珠校正的靶向命中率逐轮上升：针对 $\alpha$-凝血酶，从第 1 轮的 0.0% 升至第 2 轮的 26.0% 和第 3 轮的 42.1%（排除文献基序衍生后代后为 37.1%）；针对肌红蛋白，从第 1 轮的 10.2% 升至第 2 轮的 3.7% 和第 3 轮的 33.5%。对八个全长 $\alpha$-凝血酶候选物进行的单克隆磁珠结合滴定，证实其与混合测序富集结果一致（Pearson $r = 0.90$）。在这些测定中，由智能体改造以降低混合筛选中脱靶反应性的文献衍生基序达到表观亲和力 $K_D = 24.6$--$133$ nM，而从头的支架则显示低微摩尔级结合（$K_D > 1\ \mu$M）。
我们还报告了我们的流程如何利用肌红蛋白结合数据来探索 G-四链体结合物空间，诊断出交叉反应性导致靶向特异性从 75.0% 降至 19.1%，并通过制定策略将特异性恢复至 72.4%。我们证明，实证实验室数据比现有计算代理指标更有价值，展示了迭代实验反馈如何使 AI 智能体诊断测定伪影并在多轮中优化分子设计。
| 评论： | 共同领导（共同资深作者）：Pooja Rao 和 Annalisa Pawlosky。34 页，4 张主图，1 张主表，3 张补充图，4 张补充表 |
| 主题： | 生物分子（q-bio.BM）；人工智能（cs.AI）；定量方法（q-bio.QM） |
| 引用为： | arXiv:2610.24806 [q-bio.BM] |
| （或 arXiv:2610.24806v1 [q-bio.BM] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.24806 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Pooja Rao [查看电子邮件]
[v1]
2026 年 10 月 17 日星期六 18:21:50 UTC（7,897 KB）
来源：arXiv cs.AI · arxiv.org