论文
AgentFold：面向蛋白质折叠模型设计的闭环Agentic搜索
AgentFold: Closed-Loop Agentic Search for Protein Folding Model Design
摘要
科学LLM智能体在文献推理、工具使用和实验规划上已展现出潜力，但它们能否通过可执行的代码修改和计算昂贵的验证自主改进庞大且紧耦合的科学机器学习系统，仍不清楚。我们在蛋白质折叠领域研究这一问题，该领域的进展需要协调的架构修改、多目标评估和领域感知的解读。我们提出AgentFold，一个将折叠模型开发形式化为对可执行代码变体进行闭环搜索的多智能体框架。从ESMFold出发，AgentFold提出假设、实现并调试代码级修改、评估模型变体、分析实验结果，并将成功与失败的干预都存入结构化记忆。一种MCTS式策略在高分搜索分支之间分配计算资源。在一个包含超过2,000行代码的工程规模蛋白质折叠代码库上，AgentFold用约5,000 GPU小时和1.7亿LLM token探索了约80个模型变体。在匹配计算预算下，AgentFold将最佳lDDT较独立的Codex提案提升7.5%，并优于随机搜索对照。超越模型改进本身，由此产生的干预轨迹揭示了反复出现的经验性设计模式：稳定收益往往来自早期、柔和、可学习的先验和门控式细化，而直接的几何扰动和以几何为条件的反馈常常使训练不稳定。代码与实验资源已在https://github.com/lmqfly/AgentFold公开。
