DrugSAGE：自我进化代理体验，实现高效的最先进药物发现

为药物发现构建最先进 (SOTA) 的预测模型需要对工具、架构和训练策略进行昂贵的搜索。当前基于 LLM 的代理可以通过大量的试验和错误找到 SOTA 解决方案，但他们不会保留沿途积累的经验，因此为每个新任务支付全部搜索成本。我们提出了 \ 方法（自我进化代理经验），这是一个跨任务积累和重用经验以有效构建 SOTA 药物发现模型的框架。 \方法维护经过验证的技能的跨任务记忆、有效策略的统计证据以及重复出现的错误及其修复的记录。在某些情况下，\method 直接传输工作解决方案，无需测试时搜索。在 33 个分子特性预测任务中，\method 在单任务设置的 9 个 SOTA 代理中排名第一。通过从 16 个较小的任务中积累的记忆，该方法在跨任务评估设置中的 17 个保留任务上实现了 0.935 的平均归一化分数，并且在零测试时间搜索机制中比所有基线代理高出 10-30%。总之，我们的工作展示了跨任务记忆在药物发现中高效 SOTA 模型开发的优势。