ToolMol：多目标药物发现的进化代理框架

大语言模型 (LLM) 的进展最近为小分子药物发现开辟了新的、有前景的途径。然而，现有的基于 LLM 的分子生成方法经常遭受无效和低质量配体候选者的高比例的困扰，这是当前模型在分子串方面的语法限制的结果。在本文中，我们介绍了$\texttt{ToolMol}$，一种用于从头药物设计的进化代理框架。 $\texttt{ToolMol}$ 将多目标遗传算法与代理 LLM 运算符相结合，迭代更新配体群体。我们构建了一个由 RDKit 支持的功能组成的综合工具箱，使我们的代理操作员能够一致地进行精确的配体修饰。 $\texttt{ToolMol}$ 在多目标属性优化任务上实现了最先进的性能，发现了类药物和可合成的配体，与现有方法相比，其预测结合亲和力强 $>10\%$，并在三个蛋白质靶标上进行了评估。 $\texttt{ToolMol}$ 配体还在金标准绝对结合自由能分数方面取得了最先进的结果，比现有方法高出超过 $35\%$。通过研究思想链推理轨迹，我们观察到工具调用使模型能够更忠实地执行其计划的修改，有效地利用 LLM 中强大的化学先验知识。