弥合证据与执行之间的差距：用于多目标肽设计的反思性智能体

大语言模型 (LLM) 可以根据科学文献进行推理来制定设计策略，但无法可靠地将其应用于生物序列。虽然蛋白质生成模型学习序列模式，但它们缺乏将文献证据纳入多步骤反思推理的能力，从而在科学推理和序列操作之间形成证据到执行之间的差距。我们提出了 EASER（带有反射的证据感知序列工程），这是一种反射式智能体，通过离线训练的固定低秩矩阵的学习属性接口来桥接推理和序列生成。 智能体通过组合这些矩阵来引导扩散发生器，提出基于检索到的证据、序列上下文和过去结果的干预假设（锚、可编辑位置、控制系数）。 探针-and-Steer 机制验证干预措施并根据预测的属性响应分配样本，并通过结果反映通知后续决策。通过对多目标抗菌肽设计（优化活性、非溶血和无毒性）进行评估，在相同的决策条件下，明确的假设公式比直接行动生成具有更好的多目标性能。 消融研究验证了证据检索、情景历史、反思和探针-and-Steer 的重要性。经过六次重复试验，与竞争基线相比，EASER 在筛选的候选者上获得了最高的平均超容量和最低的平均 IGD+。我们的工作展示了可执行属性接口和迭代反馈如何将科学推理与目标肽序列生成联系起来。