Mozi：藥物發現LLM代理的治理自治

🔑 增強重點摘要

• •LLM代理在藥物發現中的自主推理能力已從概念驗證階段進入實際部署，AstraZeneca的ChatInvent系統展示了多代理架構在分子設計與合成規劃中的可擴展性[6]
• •物理啟用的生成式AI結合主動學習與FEP+模擬，能在4.5小時內生成12,000個符合藥物相似性的候選化合物，相比傳統窮舉法節省180,000 CPU小時[5]
• •2026年AI驅動的藥物發現工作流程已將早期發現時間壓縮30-40%，將臨床前候選開發週期從3-4年縮短至13-18個月，但臨床試驗與監管審查時間仍保持不變[1]
• •代理AI系統透過整合異質生物醫學數據、執行自動化實驗協議與迭代假設精煉，在可重現性與可追溯性方面展現實質進展，將原需數月的工作流程壓縮至數小時[4]

🛠️ 技術深入

• •雙層架構設計：控制平面實施監督-工作者層級與工具隔離機制，工作流程平面將藥物發現階段（目標識別至領先優化）操作化為可組合技能圖[搜尋結果未提供詳細架構]
• •穩健性機制：整合資料合約驗證、人機互動（HITL）檢查點與反思式重新規劃，確保高風險管線的可靠性與科學可追溯性[4]
• •物理啟用的生成式AI工作流程：利用AutoDesigner列舉~10億個排列組合定義物理化學邊界，透過1,500個主動學習FEP+親和力與WaterMap評分訓練高保真度數據集，生成能置換高能水合位點的新穎分子[5]
• •多代理系統架構：基於大型語言模型（LLM）的ReAct、Reflection、Supervisor與Swarm系統，整合感知、計算、行動與記憶工具，執行文獻合成、毒性預測、自動化協議生成與藥物再利用[4]

🔮 前景展望AI analysis grounded in cited sources

⏳ 時間線