MoLRSI: un agente di IA che si auto-migliora ricorsivamente per la scoperta molecolare

Abstract degli autori

La scoperta molecolare richiede di esplorare vasti spazi di ricerca combinatoria, bilanciando obiettivi biologici concorrenti. Gli agenti di IA possono automatizzare protocolli di progettazione molecolare definiti da esperti, ma la sola automazione non risolve il problema di ottimizzare i flussi di lavoro per nuovi compiti né quello di migliorarne lo sviluppo attraverso l’esperienza. Presentiamo qui MoLRSI, un agente di IA che combina l’ottimizzazione sistematica dei flussi di lavoro e delle architetture dei modelli con una memoria persistente tra compiti, per migliorare ricorsivamente la propria strategia di ricerca nella scoperta molecolare. Le prestazioni dei flussi di lavoro, gli esiti del perfezionamento e i riscontri sull’esecuzione guidano le ricerche successive, consentendo all’agente di migliorare sia i flussi di lavoro sia la strategia per svilupparli. Valutiamo MoLRSI in due contesti impegnativi di scoperta molecolare, che richiedono di bilanciare proprietà concorrenti. Nella scoperta di antibiotici, MoLRSI ha sviluppato un flusso di screening che bilancia attività antibatterica, citotossicità e novità strutturale, raggiungendo un tasso sperimentale di hit del 15,9%, rispetto all’8,7% di un precedente flusso di lavoro guidato da esperti, basato sugli stessi dati di addestramento e sulla stessa libreria di screening. Nella progettazione de novo di leganti peptide-MHC, MoLRSI ha sviluppato flussi di lavoro che considerano congiuntamente il legame al bersaglio e la specificità, producendo otto hit convalidati sperimentalmente contro i pMHC di MART-1 e SARS-CoV-1, con un legame preferenziale rispetto agli off-target testati, mentre Claude Science ha fallito completamente. Questi risultati dimostrano come l’ottimizzazione dei flussi di lavoro guidata dall’esperienza possa affrontare obiettivi di scoperta concorrenti, migliorando al contempo le strategie di ricerca impiegate nelle campagne successive.