Новый ИИ-агент TRACE ускоряет оптимизацию лекарств за счёт последовательного принятия решений

Создание новых лекарств — длительный и ресурсоёмкий процесс, включающий несколько этапов. Одним из ключевых является оптимизация лидов (lead optimization), когда исходные соединения превращаются в перспективных кандидатов за счёт тонких структурных изменений. На этом этапе важно улучшить ADMET-свойства (всасывание, распределение, метаболизм, выведение, токсичность), сохраняя при этом ключевые фрагменты, ответственные за связывание с мишенью.

Современные методы ИИ уже ускоряют отдельные стадии, но большинство подходов к оптимизации лидов ограничиваются однократными изменениями, не учитывая долгосрочные последствия последовательных решений. Чтобы преодолеть этот недостаток, группа исследователей разработала систему TRACE (Trajectory-aware, LLM-reasoning agent for molecular lead optimization).

Как сообщается в статье на arXiv, TRACE использует большую языковую модель для рассуждений и рассматривает выбор инструментов оптимизации как последовательное принятие решений. Агент учитывает траекторию изменений и делает выбор, ориентируясь на будущие результаты, что позволяет проводить модификации в рамках структурных ограничений.

Эксперименты на нескольких задачах оптимизации ADMET показали, что TRACE превосходит базовые модели по ряду метрик: он достигает более высокой успешности модификаций, большего улучшения свойств, более высокой валидности полученных молекул и при этом сохраняет молекулярное сходство с исходным соединением.

Разработка открывает новые возможности для применения больших языковых моделей в химии и фармакологии. По мнению авторов, подобные агенты могут существенно сократить время и ресурсы, необходимые для вывода новых лекарств на рынок, за счёт более интеллектуального планирования этапов оптимизации.

Код и детали архитектуры TRACE пока не раскрыты, но исследование уже доступно в открытом доступе на arXiv для ознакомления и воспроизведения результатов.