Pepti-Agent:用于多肽设计与优化的人工智能代理
摘要
Pepti-Agent是一个用于治疗性多肽设计的闭环AI框架,它利用MCP工具和LLM控制器,基于多属性配置文件迭代优化序列,解决了溶解度、溶血性和非特异性吸附等约束条件。
arXiv:2606.15422v1 Announce Type: new
摘要:治疗性多肽在小分子和生物制剂之间占据着有价值的设计空间,但其开发需要同时满足多个相互竞争的约束条件:溶解度、溶血活性和非特异性表面吸附由重叠的序列特征决定,因此改进某一特性往往会削弱另一特性。计算设计通过将生成模型与基于序列的特性预测器配对、迭代提出并优化候选方案来解决这一问题。然而,这些组件通常被整合为难以检查、扩展或重用的单体脚本,并且它们往往通过自然语言推理而非追踪每个候选方案不断变化的多属性状态来优化序列。我们提出Pepti-Agent,一个闭环的、多肽专用的框架,它将生成、特性预测和单残基突变暴露为可独立检查的模型上下文协议(MCP)工具。大型语言模型控制器调用这些工具,并在调用之间查阅实时的预测器输出,因此优化由每个序列当前的属性配置文件指导,而非仅依靠语言推理。任务特定的PeptideGPT模型生成候选序列,基于ProtBERT的分类器对溶解度、溶血性和非特异性吸附进行评分,两个可互换的突变算子提出序列编辑。通过记录每一步控制器决策、预测器输出和接受的突变,Pepti-Agent为多目标设计策略的基准测试以及优先选择候选序列进行实验验证提供了一个可重现的基础。
查看缓存全文
缓存时间: 2026/06/16 11:48
# Pepti-Agent:用于肽设计与优化的AI代理 来源:https://arxiv.org/abs/2606.15422 查看PDF (https://arxiv.org/pdf/2606.15422) > 摘要:治疗性肽在抗体药物与生物制剂之间占据着有价值的设计空间,但其开发需要同时满足多个相互冲突的约束条件:溶解度、溶血活性和非特异性表面污染受重叠序列特征影响,因此改善某一特性往往会降低其他特性。计算设计通过将生成模型与基于序列的特性预测器配对来解决这一问题,迭代提出并优化候选分子。然而,这些组件通常被封装成难以检查、扩展或重用的整体式脚本,并且它们往往通过自然语言推理来优化序列,而非追踪每个候选分子不断演化的多特性状态。我们提出Pepti-Agent,这是一个闭环的、针对肽设计的框架,它将生成、特性预测和单残基突变暴露为可独立检查的模型上下文协议(Model Context Protocol, MCP)工具。大语言模型控制器调用这些工具,并在调用之间查看实时预测器输出,因此优化由每个序列的当前特性轮廓引导,而非仅依赖语言推理。特定任务的PeptideGPT模型生成候选分子,基于ProtBERT的分类器评分溶解度、溶血性和抗污染性,两个可互换的突变算子提出序列编辑。通过记录控制器每一步决策、预测器输出和接受的突变,Pepti-Agent为基准测试多目标设计策略以及优先选择实验验证候选分子提供了可复现的基础。 ## 提交历史 来自:陈厚旭 [查看邮件](https://arxiv.org/show-email/2944a172/2606.15422) **\[v1\]**2026年6月13日星期六 UTC 18:19:21(1,122 KB)
相似文章
AutoProteinEngine:用于蛋白质工程中多模态AutoML的大语言模型驱动智能体框架
介绍了AutoProteinEngine(AutoPE),这是一个由大语言模型驱动的智能体框架,使不具备深度学习专业知识的生物学家能够通过自然语言执行蛋白质工程中的多模态AutoML,展示了相比零样本和手动微调方法的性能提升。
Pepti-drift:抗原条件性离散肽生成的毒性排斥漂移方法
Pepti-drift 是一种毒性感知的潜在空间精炼框架,用于生成抗原特异性肽,在保持结合亲和力的同时避免毒性。与现有方法相比,它实现了大幅加速,并产生了多样、有效且低毒性的肽候选物。
APCyc:通过自动化环化进行性质导向的环肽设计
APCyc是一个靶点感知的生成框架,通过显式建模环化模式并利用贝叶斯后验引导,设计具有可控理化性质的环肽。
基于智能体的BAIM-LLM评估(ABLE):LLM使用蛋白质设计工具的基准测试
ABLE是一个基准测试,旨在评估LLM智能体在蛋白质设计工作流程中使用生物AI模型(如ProteinMPNN和AlphaFold3)的能力。该测试评估了15个前沿模型,结果显示Claude Sonnet 4和Gemini 3 Pro得分最高,而部分模型拒绝执行所有任务。
PairIT:用于低数据量分子优化的自回归 Transformer
Genentech/Prescient Design 推出 PairIT,这是一种面向 SMILES 序列自回归 Transformer 的训练框架,通过学习结构相似的分子对,在数据稀缺场景下以种子分子为起点进行分子优化,并利用提示词元实现多属性控制,还可选择进行强化学习后训练。