DrugHarness：可进化智能体框架用于计算药物发现
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载框架如何组织科学执行
DrugHarness 的定位是让智能体在计算药物发现中组合科学操作，并随证据与约束变化而调整。它的环境把 80 多项科学操作、生物医学资源和任务专用代码放在一起，同时保留候选物、结果与产物之间的关联，使后续步骤能追溯到具体输入与输出。与只调用单一工具的流程相比，这种组织方式强调执行过程本身可被记录和复用，为从轨迹中提炼经验提供了基础。
技能归纳与独立审查
系统从执行轨迹和结果反馈中归纳行动假设，每条假设带有可观测的适用条件、推荐动作和支撑证据。候选技能并非直接投入使用，而要经过一个独立审查智能体：先做来源核验，必要时安排定向执行试验。通过审查的技能才用于指导后续任务，并在新反馈下继续修订。这一环节的作用是把「什么时候该用哪条经验」显式化，避免技能在条件不匹配时被误用。
基准与回顾性数据
在 MolBench 和 SMDD-Bench 上，评测覆盖分子筛选、优化与约束设计。不启用进化时，DrugHarness 在 MolBench 的亲和力比较准确率上比已报道的 MolClaw-CC 结果高 10.8 个百分点，平均前三活性命中数高 55%。在技能发展任务的回顾性评测中，进化使 Qwen 的亲和力比较准确率由 62.2% 提升到 81.1%，优化成功率由 79.5% 提升到 87.2%，说明收益来自技能积累而非单次推理。
前瞻性 HPK1 研究与化合物活性
在前瞻性 HPK1 研究中，DrugHarness 针对系统特异性候选物取得的中位对接评分优于 Biomni。合成化合物测得细胞 IC50 为 14.19 nM，相对最佳输入参考物效力提升 2.64 倍，活性与经验丰富的药物化学家设计的两款选定化合物相当。这些结果把计算流程与实验验证连接起来，也给出了技能进化在真实任务中的可检验表现。
为什么值得看
展示了智能体技能自进化在药物发现中的量化收益，含对接打分与实测活性数据，值得关注科研智能体落地路径。
信源1 家
关键事实
DrugHarness 的环境整合了 80 多项科学操作、生物医学资源与任务专用代码[1]
不启用进化时，DrugHarness 在 MolBench 的亲和力比较准确率上超过已报道的 MolClaw-CC 结果 10.8 个百分点，平均前三活性命中数高出 55%[1]
回顾性评测中，进化使 Qwen 的亲和力比较准确率从 62.2% 升至 81.1%，优化成功率从 79.5% 升至 87.2%[1]
在前瞻性 HPK1 研究中，DrugHarness 在系统特异性候选物上的中位对接评分优于 Biomni[1]
合成化合物实现 14.19 nM 的细胞 IC50，相对最佳输入参考物效力提升 2.64 倍[1]
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。