arXiv cs.AI· Yuxing Chen, Zhisheng Zhang, Cheng Tang, Wei Li, Minghui Zhang, Ziyan Huang, Shaocong Wei, Jiawei Chen, Junru Hu, Hongze Zhu, Jianghan Shen, Min Cen, Xinyuan Zhu, Yaxue Zhao, Jubo Wang, Yuqiang Li, Chun-Mei Feng, Zongyuan Ge, Rui Su, Jie Xu, Yirong Chen, Xi Xu, Ming Hu·· 11 小时前AI 评分52
DrugHarness：面向计算药物发现的可进化智能体框架
DrugHarness: An Evolvable Agent Harness for Computational Drug Discovery
AI 导读
DrugHarness 是一个面向计算药物发现的可进化智能体框架，将可组合的科学操作与条件化技能归纳结合起来，环境集成 80 多项科学操作、生物医学资源和任务专用代码。
正文 · AI 翻译
作者：Yuxing Chen、Zhisheng Zhang、Cheng Tang、Wei Li、Minghui Zhang、Ziyan Huang、Shaocong Wei、Jiawei Chen、Junru Hu、Hongze Zhu、Jianghan Shen、Min Cen、Xinyuan Zhu、Yaxue Zhao、Jubo Wang、Yuqiang Li、Chun-Mei Feng、Zongyuan Ge、Rui Su、Jie Xu、Yirong Chen、Xi Xu、Ming Hu
摘要：计算药物发现要求智能体能够组合科学操作，并适应不断变化的证据与约束。在此，我们提出 DrugHarness，一种可演化的智能体框架，将可组合的科学执行与条件化技能归纳相结合。其环境集成了 80 多种科学操作、生物医学资源和任务专用代码，并保留候选物、结果与产物之间的关联。DrugHarness 从执行轨迹和结果反馈中归纳出动作假设，这些假设带有可观测的适用条件、推荐动作和支持证据。一个独立的审查智能体通过来源验证以及必要时的定向执行试验，评估由这些假设衍生的候选技能。被采纳的技能指导后续任务，并通过反馈进行修订。在 MolBench 和 SMDD-Bench 上的评估展示了其在分子筛选、优化和约束设计方面的能力。在未进行演化的情况下，DrugHarness 在 MolBench 上的亲和力比较准确率比已报道的 MolClaw-CC 结果高出 10.8 个百分点，平均前三活性命中率高出 55%。在技能开发任务上的回顾性评估表明，演化将 Qwen 的亲和力比较准确率从 62.2% 提升至 81.1%，优化成功率从 79.5% 提升至 87.2%。在一项前瞻性 HPK1 研究中，DrugHarness 在系统特异性候选物中取得了比 Biomni 更有利的中位对接分数。一个合成化合物的细胞 IC50 达到 14.19 nM，与最佳输入参考相比效力提升 2.64 倍，其活性与经验丰富的药物化学家设计的两款选定化合物相当。这些结果支持科学智能体的条件化技能演化，并展示了一条连接计算药物设计与实验验证的工作流程。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.23791 [cs.AI] |
| （或 arXiv:2610.23791v1 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.23791 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yuxing Chen [查看邮箱]
[v1]
2026年10月16日星期五 17:20:19 UTC（1,901 KB）
来源：arXiv cs.AI · arxiv.org