《npj Drug Discovery》:The rise of agentic AI in drug discovery from static tools to autonomous virtual scientists
编辑推荐:
由大语言模型(LLMs, large language models)驱动,AI智能体(AI agents)正在转变药物发现,使AI能够摆脱任务特定工具并迈向自主虚拟科学家的愿景。该观点文章综述了研发(R&D, research and development
由大语言模型(LLMs, large language models)驱动,AI智能体(AI agents)正在转变药物发现,使AI能够摆脱任务特定工具并迈向自主虚拟科学家的愿景。该观点文章综述了研发(R&D, research and development)全生命周期中的应用。为评估系统成熟度,研究人员引入6级“智能体自主性谱系(Spectrum of Agentic Autonomy)”。研究人员倡导以全链可追溯性为中心的新型评估范式,并概述采用障碍,将AI智能体定位为务实的科学家在环(scientist-in-the-loop)协同试点(co-pilots)。
药物研发(R&D)长期受Eroom’s Law约束,表现为开发周期延长、成本上升和临床 attrition 率超过90%。依赖迭代试错的策略难以应对现代化学与基因组空间。计算方法从经典机器学习、深度学习到生成建模持续演进,但多数仍限于单任务或局部步骤,难以自主编排多步骤、跨学科、反馈依赖的完整研发流程。大语言模型(LLMs)推动AI智能体(AI agents)兴起,其整合感知、决策与工具交互,可将开放科研目标分解为子任务并调用计算或实验工具。已有综述多聚焦基础模型应用、特定学科或工业概念验证,而该文严格聚焦智能体范式,围绕设计-合成-测试-分析(DMTA, Design-Make-Test-Analyze)周期系统覆盖靶点发现、理性药物设计、临床前评价等,并提出自主性谱系与标准化、可追溯评估体系。研究人员通过观点综述和分类框架开展研究,结论是当前最先进系统主要处于Level 2至Level 4,完全自主的Level 5虚拟科学家尚不存在,现实定位应为科学家在环(scientist-in-the-loop)协同试点,意义在于为知识驱动、自主药物发现提供路线图。
主要关键技术方法不超过250字:研究人员采用观点综述与分类框架,构建AI智能体解剖,包括感知、推理规划、工具使用与记忆;比较多智能体系统(MAS, multi-agent systems)中的workflow、swarm和supervisor拓扑;提出6级“智能体自主性谱系”,从Level 0固定工具到Level 5虚拟科学家。其按药物发现生命周期分类应用,并用该谱系对代表系统分级,标注单/多智能体架构与开源可及性。评估方法分为通用科学认知、药物设计任务、智能体特有能力和具身科学智能四类基准,并纳入过程导向评估,如轨迹审计、运行异常检测和多智能体故障归因。案例研究分为前瞻性in silico验证、前瞻性湿实验验证和回顾性验证。文中使用USPTO-50k、ChEMBL-1000、TDC、LAB-Bench等基准数据集;未见临床样本队列来源。
研究结果如下。Foundations of agentic AI: concepts, architectures, and autonomy:研究人员通过概念剖析和文献综合,指出AI智能体由感知、推理规划、工具使用和记忆构成。感知从文本到多模态再到原生科学模态,存在模态融合瓶颈;推理规划由思维链(CoT, Chain-of-Thought)、思维树(ToT, Tree of Thoughts)、ReAct框架和Reflexion等推进;工具使用依赖Function Calling、模型上下文协议(MCP, Model Context Protocol)、ToolUniverse和CodeAct(Code as Action);记忆分短期与长期,并借助检索增强生成(RAG, retrieval-augmented generation)。多智能体拓扑包括workflow、swarm和supervisor,需缓解信息遗漏、指令冲突和状态不一致。The anatomy of an AI agent:通过模块分析,得出感知、推理、工具与记忆共同支持持续自主行为。Topologies of collaboration: single vs. multi-agent systems:通过架构比较,得出单智能体受限于上下文溢出的认知瓶颈,多智能体通过分工可处理复杂任务,但存在协调挑战。Spectrum of agentic autonomy: from task-specific tools to autonomous virtual scientists:研究人员提出Level 0固定工具、Level 1辅助管线、Level 2任务控制器、Level 3闭环研究者、Level 4自演化系统、Level 5虚拟科学家,并认为Level 2是算法分界,当前进展集中于Level 2至Level 4。
Application of AI agents in key aspects of drug discovery中,Target discovery and mechanism validation:通过AI co-scientist、AutoBA、BIA、CellAgent、BioMaster、PhenoGraph、BioScientist Agent、Robin、OriGene等研究,得出智能体适合文献检索、组学分析、知识图谱推理和机制假设生成,但真正靶点结论仍需体外和体内验证,人类专家不可缺。Lead compound design and optimization:通过ChatChemTS、MultiMol、Fleming、DeltaWave等,得出智能体在任务编排、多目标优化和反馈修正中优于静态管线,但仍应作为辅助药物化学家的智能工具,而非自主最终分子决策者。Biomacromolecule Design:通过ProtAgents、Zou et al.的Virtual Lab、BioLab等,得出智能体可连接序列生成、结构预测和物理模拟;Virtual Lab中92个新型纳米抗体中超过90%显示良好溶解度,BioLab设计的Pem-MOO-2对PD-1的IC
50为0.01 nM,优于临床对照pembrolizumab的0.027 nM,但功能活性仍依赖实验条件。Clinical candidate evaluation:通过MolAgent、ProtChat、CLADD、ClinicalAgent、Agentic-Tx、DrugAgent等,得出智能体可降低建模门槛、改善多源证据整合和临床前分析,但不能替代专家作最终临床判断。Retrosynthesis planning:通过LARC、Synthegy、RETRO-R1等,得出逆合成从局部约束检查、高层战略指导走向动态交互规划,LARC在致癌原避免约束任务中成功率82.1%,RETRO-R1在ChEMBL-1000上Pass@1为73.30%,但全局长期战略和真实实验约束建模仍不足。Construction of automated experimental platform:通过Coscientist、ChemAgents等,得出Level 3系统可由自然语言目标生成控制代码并依据实验反馈调整,但依赖硬件、文档质量和接口标准化,仍属人类监督下的高通量闭环试错平台。Building comprehensive and general-purpose systems:通过AgentD、FROGENT、Tippy、PharmAgents、Biomni、SciToolAgent、STELLA等,得出综合平台能统一编排多模块任务,通用生物医学智能体向经验积累和能力自扩展发展,但仍依赖底层工具与接口,尚非完全自主虚拟制药系统。
Evaluation methods and test benchmarks:研究人员将评估基准分为通用科学认知、药物设计任务、智能体特有能力和具身科学智能,并进一步提出过程导向评估,包括Claw-Eval的轨迹审计、TrajBench的运行异常检测和AgentTrace的多智能体故障归因。通过基准与案例研究,得出静态问答不能充分反映真实研发中的工具调用、错误恢复和长周期执行能力;案例研究分为前瞻性in silico、前瞻性湿实验和回顾性验证,分别证明理论设计可行性、物理闭环能力和科学推理复现能力,但分别受代理模型、成本和数据泄漏限制。Challenges and future directions:研究人员讨论面向虚拟科学家的架构升级、强化学习(RL, reinforcement learning)驱动的策略迭代与自演化、自驱动实验室(SDLs, Self-Driving Laboratories)的具身实施、安全可控治理,以及未来基础设施和标准化指标。安全治理涉及人类层、智能体模型与工具层、社会与监管层。研究人员倡导严格智能体消融研究,并采用人类干预次数(HIC)、自主错误恢复率(AERR)和子任务完成率(SCR)等定量指标。讨论部分强调,对定义明确的常规流程,非智能体工作流可能更可靠;对开放且工具信号冲突的任务,多智能体分解必要。鉴于长时程和具身任务成功率低,完全自主科学发现的广泛声称仍为时过早。真正推进Level 5需在认知架构、长期记忆、自演化策略优化、具身实施与物理闭环四方面突破;可预见未来科学家在环协同试点仍是最务实、可扩展的部署模式。
研究结论与未来展望(翻译):将智能体AI整合到药物发现标志着该领域的关键跃迁,即从孤立、任务特定的预测工具转向自主虚拟科学家的最终愿景。通过提出智能体自主性谱系,该综述为理解AI系统从基本指令执行到高度自主推理的演化提供了结构化蓝图。然而,实现这一雄心勃勃的愿景,必须明确智能体架构的真实能力边界,并对当前技术成熟度保持谨慎乐观。未来研究需要批判性反思何时复杂智能体分解真正必要,何时简单线性工作流仍然足够。对于定义明确、确定性的常规流程,例如大规模ADMET性质计算和阈值过滤,或标准化虚拟筛选,高度结构化的非智能体工作流往往具有更优可靠性和效率。相反,当处理工具信号高度冲突的开放式任务时,例如在先导优化中平衡结合亲和力、合成可及性和毒性,真正的多智能体分解变得不可或缺。鉴于长时程和具身任务中持续存在的低成功率,完全自主科学发现的广泛声称仍为时过早。研究界必须强制开展严格的智能体消融研究,并普遍采用标准化定量报告指标,包括HIC、AERR和SCR。为真正推进Level 5虚拟科学家,现有AI智能体仍需在四个核心维度实现系统突破:认知架构、长期记忆、自演化策略优化、具身实施与物理闭环整合。最后,尽管完全自主的自驱动实验室和Level 5虚拟科学家代表长期理论愿景,在可预见的未来,科学家在环协同试点范式仍将是最务实和可扩展的部署模式。智能体AI的目标不是替代人类科学家,而是推动药物发现的系统性转型,使研究人员从常规执行转向以全局监督和决策为中心的角色。科学家核心职责包括:将复杂开放生物医学问题形式化为可执行目标和约束搜索空间;在智能体运行中迭代共创和战略指导;主导高风险验证和转化决策。通过积极拥抱人-AI协作范式,药物发现可提高从分子发现到临床转化的端到端效率,同时确保人类判断和创造力保持中心地位,最终加速具有治疗意义的候选物进入临床。