一种用于合成约束多目标先导化合物优化的模块化智能体框架

arXiv cs.AI 论文
agentic-framework drug-discovery bayesian-optimization llm hit-to-lead open-source

摘要

本文介绍了SABLE，一个开源的智能体框架，利用自然语言编排与大语言模型（LLM）来引导药物发现中受合成约束的多目标先导化合物优化，整合了反应模板化类似物枚举、性质预测和贝叶斯优化。

arXiv:2608.11483v1 公告类型：新 摘要：先导化合物优化需要在效力、选择性、理化性质、药代动力学、安全性和合成约束等相互竞争的目标之间进行类似物的迭代设计。我们提出了SABLE（Synthetically-accessible Agentic Bayesian Ligand Exploration，即可合成智能体贝叶斯配体探索），一个开源框架，采用自然语言编排来指导化学结构优化。SABLE使用大语言模型（LLM）解释用户定义的目标并分配任务，而专门的工具则执行基于反应模板的类似物枚举、理化性质与ADMET预测、基于结构的亲和力评分以及贝叶斯优化。由此产生的工作流是设计-制造-测试-分析循环中分析和优先级排序阶段的计算孪生，为每个数值输出提供来源追溯。在单目标和多目标优化研究中，SABLE在仅评估枚举搜索空间子集的情况下，富集了用户定义计算目标的候选集。其模块化架构允许通过编辑简单的配置文件来替换工具和表征后端，而无需修改操作逻辑。SABLE为早期药物发现中受合成约束的类似物优先级排序提供了一个可扩展的决策支持框架。
查看原文
查看缓存全文

缓存时间: 2026/08/13 15:26 

# 一个用于合成约束下多目标 Hit-to-Lead 优化的模块化智能体框架
来源: https://arxiv.org/abs/2608.11483
查看 PDF (https://arxiv.org/pdf/2608.11483)

> 摘要：Hit-to-lead 优化需要对命中类似物进行迭代设计，以在效力、选择性、理化性质、药代动力学、安全性和合成约束之间取得平衡。我们提出了 SABLE（Synthetically-accessible Agentic Bayesian Ligand Exploration，可合成智能体贝叶斯配体探索），这是一个开源框架，利用自然语言编排来引导化学结构优化。SABLE 使用 LLM 解释用户定义的目标并路由任务，同时专门的工具执行反应模板化的类似物枚举、理化性质与 ADMET 属性预测、基于结构的亲和力打分以及贝叶斯优化。由此产生的工作流是“设计-合成-测试-分析”循环中分析和优先级排序阶段的计算孪生，为每个数值输出提供全面溯源。在单目标和多目标优化研究中，SABLE 在仅评估已枚举搜索空间的一个子集的情况下，就能丰富用户定义计算目标的候选集。其模块化架构允许通过编辑一个简单的配置文件来替换工具和表征后端，而无需修改操作逻辑。SABLE 为早期药物发现中优先排序合成约束类似物提供了一个可扩展的决策支持框架。

## 提交历史

来自：Kelvin Idanwekhai \[查看邮件 (https://arxiv.org/show-email/a0b9dd36/2608.11483)\] **\[v1\]** Tue, 11 Aug 2026 22:50:56 UTC (6,580 KB)

相似文章

基于代理增强自动研究的智能体贝叶斯优化

arXiv cs.LG

本文介绍了智能体贝叶斯优化，其中LLM智能体作为贝叶斯后端支持的贝叶斯优化循环中的核心决策者，能够实现在线策略修订和问题重构。作者在Sara和lenz中实现了这一理念，展示了相比标准贝叶斯优化和基于LLM的基线方法的可靠性和性能提升。

基于LLM的多目标贝叶斯优化算法演化生成

arXiv cs.AI

本文扩展了LLaMEA框架，利用大型语言模型作为进化策略中的变异和交叉算子，自动设计多目标贝叶斯优化算法，在合成和实际问题中以显著更低的计算成本实现了最先进的精度。

EASy：迈向基于LLM的高效智能体系统

arXiv cs.CL

本文提出了EASy，一个可训练的智能体框架，利用强化学习联合优化任务性能与计算效率，并引入了里程碑-规划-执行工作流、依赖感知执行图和用于训练的树形展开。