Mozi: Governed Autonomy for Drug Discovery LLM Agents

Die Arbeit stellt Mozi vor, ein zweischichtiges Architektursystem, das durch eine kontrollierte Supervisor-Arbeiter-Hierarchie und zustandsbehaftete Workflow-Graphen die Zuverlässigkeit von LLM-Agenten in der Wirkstoffentwicklung sicherstellt, indem es freies Schlussfolgern für einfache Aufgaben mit deterministischer, auditierbarer Ausführung für komplexe Pipelines kombiniert, um Fehlerakkumulation zu verhindern und wissenschaftliche Validität zu gewährleisten.

Das Wesentliche

Stellen Sie sich vor, Sie wollen ein neues Medikament erfinden. Das ist wie der Versuch, ein riesiges, komplexes Puzzle zu lösen, bei dem jedes Teil aus einer anderen Welt kommt: Biologie, Chemie, Mathematik und Datenbanken. Normalerweise dauert das über 10 Jahre und kostet Milliarden.

Das Papier stellt Mozi vor, einen neuen „KI-Assistenten" für Wissenschaftler, der genau das Problem lösen soll: Wie macht man eine KI so klug, dass sie forschen kann, aber gleichzeitig so diszipliniert, dass sie keine gefährlichen Fehler macht?

Hier ist die Erklärung von Mozi in einfachen Worten, mit ein paar kreativen Vergleichen:

1. Das Problem: Der wilde Genie-Student

Stellen Sie sich eine herkömmliche KI (wie einen sehr klugen, aber etwas chaotischen Studenten) vor. Wenn Sie ihn bitten, ein Medikament zu finden, fängt er an zu träumen.

• Er könnte sich eine chemische Struktur ausdenken, die gar nicht existiert (Halluzination).
• Er könnte ein Werkzeug benutzen, das er nicht darf (z. B. eine teure Simulation starten, ohne zu prüfen, ob die Daten stimmen).
• Wenn er am Anfang einen kleinen Fehler macht (z. B. das falsche Protein wählt), baut er darauf auf. Das ist wie ein Haus, das auf einem wackeligen Fundament steht: Je höher er baut, desto wahrscheinlicher stürzt alles zusammen.

In der Pharmaindustrie ist das katastrophal. Man braucht keine „wilden Träumer", man braucht verlässliche Ingenieure.

2. Die Lösung: Mozi – Der disziplinierte Bauleiter

Mozi ist keine einzelne KI, sondern ein zweischichtiges System, das wie ein perfekt organisiertes Bauprojekt funktioniert. Es trennt das „Träumen" vom „Bauen".

Ebene A: Der Bauleiter (Die Kontroll-Ebene)

Stellen Sie sich Mozi als einen strengen, aber fairen Bauleiter vor, der auf einer Baustelle steht.

• Die Regel: Er lässt niemanden einfach so herumlaufen. Jeder Arbeiter (die KI-Agenten) hat eine spezifische Aufgabe. Der „Forscher" darf nur Bücher lesen und Daten suchen. Der „Rechner" darf nur Simulationen laufen lassen.
• Die Sicherheit: Wenn ein Arbeiter einen Fehler macht, sagt der Bauleiter: „Stopp! Wir planen neu." Er verhindert, dass sich kleine Fehler zu riesigen Katastrofen aufsummieren.
• Der menschliche Check: An wichtigen Punkten (z. B. bevor man Millionen in eine Simulation steckt) hält der Bauleiter inne und fragt den menschlichen Chef-Wissenschaftler: „Sind wir sicher, dass wir hier weitermachen?" Das ist wie ein Sicherheitsgurt im Auto.

Ebene B: Der Werkzeugkasten (Die Workflow-Ebene)

Unter dem Bauleiter arbeiten die eigentlichen Handwerker. Aber sie arbeiten nicht chaotisch.

• Der Baukasten: Mozi nutzt vorgefertigte, bewährte Baupläne (genannt „Skill Graphs"). Stellen Sie sich das wie einen LEGO-Anleitungssatz vor. Sie können nicht einfach irgendein Teil irgendwohin kleben; es muss genau an die Stelle passen, die in der Anleitung steht.
• Die Schritte: Der Prozess ist festgelegt: Erst das Ziel finden (Target), dann den ersten Treffer suchen (Hit), dann den Treffer verbessern (Lead). Jeder Schritt prüft den vorherigen. Wenn das Fundament (die Daten) nicht passt, wird der nächste Schritt gar nicht erst gestartet.

3. Wie es in der Praxis funktioniert (Die Analogie)

Stellen Sie sich vor, Sie wollen ein neues Auto bauen.

• Ohne Mozi: Ein KI-Genie sagt: „Ich baue ein Auto!" und fängt an, Räder aus Glas zu schmelzen und Motoren aus Zucker zu gießen. Es sieht cool aus, aber es fährt nicht.
• Mit Mozi:
  1. Der Bauleiter (Ebene A) sagt: „Okay, wir brauchen ein Auto. Aber zuerst prüfen wir die Gesetze und die Materialien."
  2. Er schickt den Forscher, der in Datenbanken nach bewährten Motoren sucht.
  3. Er schickt den Ingenieur, der prüft, ob das Chassis stabil ist.
  4. Wenn der Ingenieur sagt: „Das Chassis ist zu schwer", stoppt der Bauleiter den Prozess sofort und plant neu, anstatt weiterzubauen.
  5. Am Ende haben Sie ein Auto, das nicht nur aussieht wie eines, sondern auch sicher ist und die Gesetze einhält.

4. Was Mozi wirklich leistet

Das Papier zeigt, dass Mozi in drei echten Testfällen (Krankheiten wie Morbus Crohn, Parkinson und Sepsis) funktioniert hat:

• Es hat Millionen von chemischen Verbindungen durchsucht (wie ein riesiger Sucher).
• Es hat toxische (giftige) Moleküle sofort aussortiert, bevor sie Zeit verschwendet haben.
• Es hat neue, vielversprechende Kandidaten gefunden, die so gut sind wie die besten, die Menschen bisher entwickelt haben.

Das Fazit

Mozi verwandelt die KI von einem „unzuverlässigen Träumer" in einen „verlässlichen Co-Wissenschaftler".
Es ist wie der Unterschied zwischen einem Kind, das mit Spielzeugautos spielt, und einem echten Ingenieur, der ein Flugzeug baut. Das Kind hat tolle Ideen, aber der Ingenieur hat den Bauplan, die Sicherheitschecks und den menschlichen Aufsichtsrat, der garantiert, dass das Flugzeug auch wirklich fliegt.

Mozi ist der Versuch, KI in die Welt der Medikamente zu bringen, ohne dabei die Sicherheit und Genauigkeit zu opfern, die Menschenleben retten.

Technische Zusammenfassung

1. Problemstellung

Die Entdeckung neuer Medikamente ist ein komplexer, mehrstufiger Prozess (von der Zielidentifikation bis zur Lead-Optimierung), der hohe Kosten und lange Zeiträume erfordert. Obwohl Large Language Models (LLMs) und spezialisierte KI-Modelle einzelne Teilaufgaben (wie Strukturvorhersage oder virtuelles Screening) effizient bewältigen können, stoßen autonome Agenten in diesem hochregulierten Bereich an Grenzen:

• Unkontrollierte Werkzeugnutzung: Generische LLM-Agenten neigen zu „Halluzinationen" bei der Tool-Nutzung und verletzen oft strenge Standard Operating Procedures (SOPs).
• Fehlerakkumulation: In abhängigen Pipelines können kleine Fehler in frühen Phasen (z. B. falsche Protein-Identifikation) sich multiplikativ auf spätere Phasen auswirken und ganze Berechnungen ungültig machen.
• Mangelnde Nachvollziehbarkeit: Ohne Governance-Mechanismen sind die Entscheidungswege oft nicht auditierbar, was die Anwendung in regulierten Umgebungen (Pharma-Industrie) verhindert.

Das Ziel ist es, die Flexibilität von generativer KI mit der deterministischen Strenge der computergestützten Biologie zu vereinen, ohne dabei die Sicherheit und Reproduzierbarkeit zu opfern.

2. Methodik: Die Mozi-Architektur

Mozi ist ein neuartiges Framework, das eine Dual-Layer-Architektur (Zwei-Ebenen-Architektur) verwendet, um „governed autonomy" (regulierte Autonomie) zu erreichen.

Ebene A: Control Plane (Steuerungsebene)

Diese Ebene fungiert als Governance-Engine und orchestriert die Interaktion:

• Hierarchisches Supervisor-Worker-Modell: Ein Supervisor-Agent plant hochlevelige Aufgaben und delegiert sie an spezialisierte Worker-Agenten (z. B. Research-Worker, Computation-Worker).
• Rollbasierte Isolation: Werkzeuge werden strikt nach Rollen freigegeben (z. B. darf ein Research-Agent keine rechenintensiven Docking-Simulationen auslösen).
• Reflexion und Replanning: Nach jedem Schritt wird der Fortschritt reflektiert. Bei Fehlern oder unzureichenden Informationen wird dynamisch neu geplant, anstatt blind fortzufahren.
• Eingrenzung des Aktionsraums: Der Agent operiert nur innerhalb eines definierten, zulässigen Aktionsraums, um Parameter-Halluzinationen zu verhindern.

Ebene B: Workflow Plane (Arbeitsablauf-Ebene)

Diese Ebene verwaltet die Integrität der wissenschaftlichen Artefakte durch zustandsbehaftete Skill-Graphen:

• Skill Graphs (DAGs): Der gesamte Entdeckungsprozess (Target Identification → Hit Identification → Hit-to-Lead → Lead Optimization) wird als gerichteter azyklischer Graph (DAG) codiert. Dies erzwingt einen gültigen Datenfluss und wissenschaftliche Logik.
• Zustandskontrakte: An den Knotenpunkten des Graphen werden strenge Datenformate (z. B. korrekte PDB-Dateien, SMILES-Strings) validiert, um „Garbage In, Garbage Out"-Szenarien zu vermeiden.
• Human-in-the-Loop (HITL): An kritischen Entscheidungspunkten (z. B. vor der Synthese oder bei der Auswahl von Zielstrukturen) pausiert das System zur manuellen Validierung durch Experten. Dies verhindert, dass sich Fehler durch die gesamte Pipeline fortpflanzen.
• Tool-Federation via MCP: Das System nutzt das Model Context Protocol (MCP), um heterogene Tools (Datenbanken, Docking-Software, Generative Modelle) in einer standardisierten Schicht zu vereinen.

3. Schlüsselbeiträge

• Governed Autonomy: Einführung eines formalisierten Rahmens, der die Flexibilität von LLMs durch strikte Governance und Workflow-Graphen zähmt.
• Zustandsbehaftete Skill-Graphs: Transformation abstrakter wissenschaftlicher Protokolle in ausführbare, fehlerresistente DAGs, die Datenkonsistenz über lange Zeiträume garantieren.
• Robustheit gegen Fehler: Mechanismen zur lokalen Fehlerisolierung (z. B. wenn ein Docking-Tool abstürzt), sodass der gesamte Workflow nicht zusammenbricht.
• PharmaBench: Vorstellung eines neuen Benchmarks mit 88 Aufgaben, der sowohl rechenintensive Tool-Nutzung als auch komplexes wissenschaftliches Reasoning testet.

4. Ergebnisse und Evaluation

Die Evaluation erfolgte auf dem PharmaBench und durch End-to-End-Fallstudien (Crohn's Disease, Parkinson's Disease, Sepsis).

• Benchmark-Leistung: Mozi übertraf bestehende Baselines (wie Biomni) in Bezug auf die Orchestrierungsgenauigkeit und die Fähigkeit, korrekte Tools auszuwählen. Besonders bei komplexen, mehrstufigen Aufgaben zeigte Mozi mit großen Open-Source-Modellen (z. B. Qwen3-235B) eine signifikant höhere Genauigkeit als reine Chatbot-Modelle.
• Fallstudien:
  • Crohn's Disease: Erfolgreiche Generierung von de novo Molekülen mit einer Bindungsenergie von -9,0 kcal/mol und anschließende Filterung auf 5 sichere Leads.
  • Parkinson's Disease: Das System identifizierte toxische Risiken (hERG-Blockade) in der Hit-to-Lead-Phase und nutzte Reinforcement Learning, um einen neuen, sicheren Gerüstbau (Scaffold) zu finden, der mit dem klinischen Referenzmittel DNL-201 konkurrieren kann.
  • Sepsis: Bewältigung von Rechenfehlern während des Dockings ohne Workflow-Abbruch und Generierung von Kandidaten mit hervorragenden physikochemischen Eigenschaften.
• Vergleich: Im direkten Vergleich mit anderen Plattformen (BIOS, K-Dense, Biomni) zeigte Mozi überlegene Fähigkeiten bei der Einhaltung von Designbeschränkungen (z. B. Molekulargewicht für die Blut-Hirn-Schranke) und der Generierung neuer, chemisch plausibler Verbindungen, während andere Systeme oft nur existierende Daten abrufen oder in Endlosschleifen gerieten.

5. Bedeutung und Ausblick

Mozi stellt einen Paradigmenwechsel dar: Es transformiert LLMs von fragilen Konversationspartnern zu verlässlichen, regulierten Co-Wissenschaftlern.

• Vertrauenswürdigkeit: Durch die Trennung von Governance (Ebene A) und Ausführung (Ebene B) sowie die Integration von HITL-Checkpoints wird das System für den Einsatz in regulierten Pharmaumgebungen tauglich.
• Skalierbarkeit: Die Architektur ermöglicht die Orchestrierung komplexer, mehrstufiger Pipelines über lange Zeiträume hinweg, ohne dass die Kontextlänge oder die Fehleranfälligkeit das System überfordert.
• Zukunft: Das Framework legt den Grundstein für vollständig automatisierte, aber sicherheitsgewährleistete Entdeckungsprozesse, die menschliche Expertise mit KI-Rechenkraft synergistisch verbinden.

Zusammenfassend adressiert Mozi die kritischen Lücken in der aktuellen KI-gestützten Arzneimittelforschung, indem es die Notwendigkeit von strenger Governance mit der Innovationskraft generativer KI vereint.