🧬 biology

ToolMol: Evolutionary Agentic Framework for Multi-objective Drug Discovery

ToolMol ist ein evolutionäres agentenbasiertes Framework, das einen multi-objektiven genetischen Algorithmus mit einem durch LLM gesteuerten Operator und einem umfassenden RDKit-basierten Werkzeugkasten integriert, um hochwertige, synthetisierbare Wirkstoffkandidaten mit im Vergleich zu bestehenden Methoden signifikant verbesserter Bindungsaffinität und freier Energiewerte zu generieren.

Ursprüngliche Autoren: Andrew Y. Zhou, Sharvaree Vadgama, Sumanth Varambally, Peter Eckmann, Michael K. Gilson, Rose Yu

Veröffentlicht 2026-05-14

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Andrew Y. Zhou, Sharvaree Vadgama, Sumanth Varambally, Peter Eckmann, Michael K. Gilson, Rose Yu

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, einen neuen Schlüssel zu erfinden, der perfekt in ein sehr spezifisches, komplexes Schloss passt (ein Protein im menschlichen Körper). Dies ist das Herzstück der Wirkstoffentwicklung. Normalerweise ist dieser Prozess wie das Werfen Tausender zufälliger Schlüssel auf das Schloss in der Hoffnung, dass einer funktioniert, gefolgt von Jahren des Testens der wenigen vielversprechenden Kandidaten. Es ist langsam, teuer und voller Versuch und Irrtum.

In jüngster Zeit haben Wissenschaftler begonnen, „Large Language Models" (LLMs) – die gleiche Art von KI, die Aufsätze oder Code schreibt – einzusetzen, um bei der Gestaltung dieser Schlüssel zu helfen. Die Idee bestand darin, die KI zu bitten, einen neuen Schlüssel zu „schreiben". Das Papier erklärt jedoch, dass diese KIs wie brillante, aber ungeschickte Schriftsteller sind: Sie produzieren oft „Schlüssel", die auf dem Papier wie Wörter aussehen, aber tatsächlich Unsinn sind, wenn man versucht, sie zu bauen. Sie machen Syntaxfehler und erzeugen Moleküle, die in der realen Welt nicht existieren können.

ToolMol: Das Team „Architekt und Baumeister"

Die Autoren stellen ToolMol vor, ein neues Framework, das dieses Problem löst, indem es die Arbeitsweise der KI verändert. Anstatt der KI zu erlauben, die gesamte chemische Formel (die „Zeichenkette") von Grund auf neu zu schreiben, verwandelt ToolMol die KI in einen Projektmanager, der einem Roboter-Baumeister Anweisungen erteilt.

So funktioniert es, anhand einer einfachen Analogie:

Das evolutionäre Spiel (der „Überlebens des Stärkeren"-Schlüsselladen):
Stellen Sie sich einen Laden vor, der Schlüssel herstellt. Jeden Tag nimmt der Laden seine besten Schlüssel, bricht sie in zwei Hälften und tauscht die Teile aus, um neue „Nachkommen"-Schlüssel zu erstellen. Dies wird als Genetischer Algorithmus bezeichnet. Das Ziel ist es, die besten Teile der alten Schlüssel zu bewahren und sie zu mischen, um etwas noch Besseres zu finden.
Das Problem mit der alten KI:
Bei früheren Versuchen (wie einem System namens MOLLEO) wurde die KI aufgefordert, die Konstruktionsanweisungen für den neuen Schlüssel direkt zu schreiben. Sie würde sagen: „Kombinieren Sie Teil A und Teil B", aber oft würde sie die Grammatik vermasseln, was zu einem Entwurf führte, den ein Baumeister nicht befolgen konnte. In etwa 30 % der Fälle produzierte die KI „ungültige" Schlüssel, die verworfen werden mussten.
Die ToolMol-Lösung (die Werkzeugkiste):
ToolMol ändert die Regeln. Die KI darf die chemische Formel nicht mehr schreiben. Stattdessen erhält sie eine digitale Werkzeugkiste mit sieben spezifischen, zuverlässigen Werkzeugen (wie „Methylgruppe hinzufügen", „Chlor gegen Fluor austauschen" oder „Diesen Abschnitt ausschneiden und einfügen").
- Die KI betrachtet die aktuellen Schlüssel und das Schloss, in das sie passen müssen.
- Sie denkt ihren Plan durch: „Ich muss diesen Schlüssel hier schneiden und dieses Stück dort anbringen."
- Sie ruft dann das Werkzeug auf, um die Arbeit zu erledigen.
- Da die Werkzeuge von einer strengen chemischen Engine (RDKit) gebaut wurden, produzieren sie immer einen gültigen, herstellbaren Schlüssel. Die KI muss nur sagen, was zu tun ist, nicht wie der Code zu schreiben ist.

Warum dies wichtig ist: Die Ergebnisse

Das Papier testete ToolMol an drei verschiedenen Protein-„Schlössern" gegen andere Methoden. Hier ist, was sie fanden:

Bessere Schlüssel: ToolMol fand Schlüssel, die signifikant besser in die Schlösser passten (über 10 % stärkere Bindung) als frühere Methoden.
Realistische Schlüssel: Die von ihm entworfenen Schlüssel waren nicht nur stark, sondern auch „medikamentenähnlich" (das heißt, sie sehen wie echte Medikamente aus) und „synthetisierbar" (das heißt, ein menschlicher Chemiker könnte sie tatsächlich im Labor bauen).
Der Goldstandard-Test: Die Forscher nahmen die besten von ToolMol hergestellten Schlüssel und führten sie durch die teuerste, hochpräzise Computersimulation, die verfügbar ist (genannt Absolute Binding Free Energy). Obwohl ToolMol nicht explizit angewiesen wurde, für diesen spezifischen Test zu optimieren, erzielten seine Schlüssel 35 % bessere Ergebnisse als die aktuellen State-of-the-Art-Methoden.

Das Geheimnis: Denken vor dem Handeln

Die Autoren untersuchten genau, wie die KI „dachte" (ihre Denkspur). Sie stellten fest, dass, wenn die KI die Werkzeugkiste nutzte, ihre Handlungen perfekt mit ihren Gedanken übereinstimmten.

Alte Methode (MOLLEO): Die KI würde sagen: „Ich werde hier ein Fluoratom hinzufügen", aber das resultierende Molekül hätte versehentlich stattdessen ein Chloratom. Die KI „halluzinierte" das Ergebnis.
ToolMol-Methode: Die KI sagt: „Ich werde ein Fluoratom hinzufügen", und das Werkzeug fügt tatsächlich ein Fluoratom hinzu. Der Plan und das Ergebnis sind identisch.

Zusammenfassung

ToolMol ist eine neue Art, KI für die Wirkstoffentwicklung einzusetzen. Anstatt die KI als ungeschickten Schreiber chemischer Formeln zu beauftragen, fordert es die KI auf, ein intelligenter Supervisor zu sein, der eine Reihe zuverlässiger, vorprogrammierter Werkzeuge nutzt, um Moleküle zu bauen. Diese einfache Änderung verhindert Fehler, schafft bessere Wirkstoffkandidaten und ermöglicht es, das umfangreiche chemische Wissen der KI effektiv zu nutzen, ohne das Risiko, Unsinn zu generieren.

Technische Zusammenfassung: ToolMol

Problemstellung

Die Entdeckung von Wirkstoffen mit kleinen Molekülen ist ein ressourcenintensiver Prozess, der Verbindungen erfordert, die gleichzeitig mehrere entscheidende Eigenschaften erfüllen: hohe Bindungsaffinität, Arzneistoffähnlichkeit (QED) und synthetische Zugänglichkeit (SA). Während Large Language Models (LLMs) vielversprechend darin sind, arzneistoffähnliche Moleküle zu generieren, indem sie ihr Pretraining auf wissenschaftlichen Texten nutzen, leiden bestehende LLM-basierte Ansätze unter einer kritischen Einschränkung: einer hohen Rate syntaktisch ungültiger molekularer Strings (SMILES). Selbst starke Reasoning-Modelle scheitern in über 30 % der Versuche daran, gültige Strukturen zu generieren, was Frameworks häufig dazu zwingt, auf schwächere, nicht-LLM-Operatoren zurückzugreifen. Dieses syntaktische Versagen behindert die effiziente Ausführung einer eigenschaftsbasierten Optimierung, da das inhärente chemische Wissen des LLM nicht zuverlässig in gültige molekulare Modifikationen übersetzt werden kann.

Methodik

Die Autoren stellen ToolMol vor, ein evolutionäres Agenten-Framework, das entwickelt wurde, um die syntaktischen Einschränkungen der direkten LLM-Generierung zu überwinden und gleichzeitig deren chemische Reasoning-Fähigkeiten zu nutzen. ToolMol integriert einen multi-objective genetischen Algorithmus (MOGA) mit einem agentischen LLM-Operator, der eine deterministische, von RDKit unterstützte Toolbox verwendet.

Kernkomponenten

Multi-Objective Genetic Algorithm (MOGA):
- Initialisierung: Der Prozess beginnt mit einer Population von 60 Molekülen, die aus dem ZINC-250K-Datensatz entnommen wurden.
- Selektion: Elternmoleküle werden mit einer Wahrscheinlichkeit proportional zu ihrer Fitness ausgewählt, die durch eine gewichtete Summe skalierten Ziele (Bindungsaffinität, QED, SA) definiert ist.
- Optimierungsziel: Der Algorithmus sucht die nicht-dominierte Pareto-Front ( $M^*$ ) innerhalb des chemischen Teilraums und vermeidet willkürliche Gewichtungswahl durch eine strikte Definition der Dominanz ( $m' \succ m$ , wenn $m'$ in allen Zielen besser ist).
- Beendigung: Der Prozess läuft, bis ein festes „Oracle-Budget" (1.000 Bewertungen der Bindungsaffinität) erschöpft ist.
Agentischer LLM-Operator (AGENTGEN):
- Tool-Aufruf-Mechanismus: Anstatt vom LLM die Ausgabe roher SMILES-Strings zu verlangen, stellt ToolMol dem LLM eine Reihe von 7 deterministischen Funktionen bereit, die von RDKit unterstützt werden. Dazu gehören add atom (Atom hinzufügen), replace atom (Atom ersetzen), add functional group (funktionelle Gruppe hinzufügen), add substructure (Substruktur hinzufügen), replace substructure (Substruktur ersetzen), remove substructure (Substruktur entfernen) und crossover molecules (Moleküle kreuzen).
- Kontextuelle Eingabe: Vor jedem Tool-Aufruf erhält der LLM detaillierte strukturelle Informationen (Atomindizes, Valenzen, Zentralität, benachbarte Atome) und Eigenschaftsmetriken (QED, SA, LogP) für die Eingabemoleküle.
- Iterativer Prozess: Der Agent führt eine Sequenz von Tool-Aufrufen durch (bis zu maximal 10 Schritten, typischerweise weniger), um Moleküle zu modifizieren. Er wird dazu angeregt, zunächst einen Crossover durchzuführen, gefolgt von Mutationen.
- Gültigkeitsgarantie: Da Modifikationen im deterministischen Graphenraum von RDKit Mol-Objekten und nicht in der Textgenerierung erfolgen, sind die resultierenden Moleküle garantiert mit gültigen SMILES-Codierungen versehen, sofern die Tool-Aufrufe selbst syntaktisch korrekt sind.
Evaluierungspipeline:
- Affinitätsvorhersage: Die Bindungsaffinität ( $\Delta G$ ) wird mit Boltz-2 geschätzt, einem biomolekularen Basismodell, das aufgrund seiner hohen Korrelation mit Goldstandard-Berechnungen der absoluten Bindungsfreien Energie (ABFE) ausgewählt wurde.
- Metriken: Die Leistung wird gemessen an Bindungsaffinität (BA), Filterter Affinität (FA, unter Berücksichtigung nur von Molekülen mit QED > 0,5 und SA < 3,0) und dem Hypervolumen (HV) der Pareto-Front.
- Validierung: Eine Teilmenge der Top-Moleküle unterliegt rigorosen ABFE-Berechnungen mittels Molekulardynamik (OpenMM), um die vorhergesagte Affinität zu validieren.

Hauptbeiträge

Framework-Design: Die Vorstellung von ToolMol, der ersten Arbeit, die LLM-Tool-Aufrufe innerhalb eines evolutionären Frameworks für die multi-objective Wirkstoffentdeckung nutzt. Sie abstrahiert den Prozess der molekularen Modifikation erfolgreich und ermöglicht es dem LLM, als präziser struktureller Editor und nicht als Textgenerator zu agieren.
Syntaktische Robustheit: Durch den Wechsel von der direkten String-Generierung zur Tool-Invocation eliminiert ToolMol die hohe Rate ungültiger SMILES-Strings, die frühere LLM-basierte Methoden wie MOLLEO plagt.
Reasoning-Alignment: Das Framework stellt sicher, dass die „Chain-of-Thought"-Reasoning-Spuren des LLM den tatsächlich am Molekül vorgenommenen strukturellen Modifikationen treu entsprechen – eine erhebliche Verbesserung gegenüber Methoden, bei denen der Plan des LLM oft vom Ergebnis abweicht.

Ergebnisse

ToolMol wurde an drei Proteinzielen evaluiert: c-MET, BRD4 und ACAA1 (ein Ziel mit begrenzten Pretraining-Daten für LLMs).

Multi-Objective-Leistung: ToolMol erzielte state-of-the-art (SOTA) Ergebnisse über alle drei Ziele hinweg. Es übertraf Baselines wie Pocket2Mol, TAGMol, PAFlow, Graph-GA und MOLLEO.
- Bindungsaffinität: ToolMol-Liganden zeigten eine >10 % stärkere vorhergesagte Bindungsaffinität im Vergleich zu bestehenden Methoden.
- Filterte Affinität & Hypervolumen: ToolMol erzielte konsistent die besten Werte bei der Filterten Affinität (FA) und beim Hypervolumen (HV), was auf eine überlegene Fähigkeit hinweist, Moleküle zu generieren, die sowohl hochaffin als auch arzneistoffähnlich/synthetisierbar sind.
Goldstandard-Validierung: In ABFE-Evaluierungen (dem Goldstandard für Bindungsaffinität) übertrafen ToolMol-Liganden die SOTA-Methode MF-LAL um über 35 % in den ABFE-Werten, obwohl ToolMol während des Suchprozesses nicht explizit für ABFE optimiert wurde.
Ablationsstudien:
- Der Ersatz der direkten Generierung von MOLLEO durch die Toolbox von ToolMol verbesserte die Ergebnisse erheblich und bestätigte den Wert des Tool-Aufruf-Ansatzes.
- Das einfache Erzwingen von Wiederholungen ungültiger Generierungen durch MOLLEO verbesserte die Leistung nicht, was darauf hindeutet, dass die Qualität der Modifikationslogik (ermöglicht durch Tools) kritischer ist als nur die Gültigkeit der Ausgabe.
- Die Reasoning-Spuren von ToolMol wiesen eine signifikant höhere Übereinstimmung mit tatsächlichen molekularen Veränderungen auf als bei MOLLEO (p = 0,02).

Bedeutung und Behauptungen

Die Arbeit behauptet, dass ToolMol den praktischen Nutzen von LLMs für das de-novo-Drug-Design demonstriert, indem es deren inhärentes chemisches Wissen durch strukturierte Tool-Nutzung effektiv nutzt. Die Autoren argumentieren, dass der Hauptvorteil von LLMs nicht in der Generierung von Strings liegt, sondern in ihrer Fähigkeit, über chemische Transformationen und Heuristiken (z. B. Scharnierbindungs-Motive, metabolische Stabilität) zu reasoning. Indem ToolMol den LLM durch Tools auf einen gültigen chemischen Raum beschränkt, schließt es die Lücke zwischen den Reasoning-Fähigkeiten des LLM und den strengen Anforderungen der molekularen Generierung.

Die Arbeit legt nahe, dass dieser agentische Ansatz einen deutlichen Vorteil gegenüber jüngsten generativen Modellen (Diffusion, flow-based) bietet, die häufig Schwierigkeiten haben, Bindungsaffinität mit Arzneistoffähnlichkeit und Synthetisierbarkeit in Einklang zu bringen. Die Autoren postulieren, dass die Fähigkeit von ToolMol, Moleküle zu generieren, die mit dem Reasoning eines medizinischen Chemikers übereinstimmen – belegt durch die hohen ABFE-Werte – einen bedeutenden Schritt hin zu einer effizienten, interpretierbaren und hochwertigen computergestützten Wirkstoffentdeckung darstellt.

Festgestellte Einschränkungen: Die Autoren räumen ein, dass die Genauigkeit des Boltz-2-Orakels bei neuartigen, außerhalb der Verteilung liegenden Gerüsten nachlassen kann, obwohl sie Belege für seine überlegene Korrelation mit ABFE im Vergleich zu AutoDock Vina vorlegen. Sie weisen zudem darauf hin, dass die aktuelle Implementierung ein vereinfachtes Setup für genetische Algorithmen verwendet, was Raum für zukünftige Erkundungen komplexerer evolutionärer Strategien lässt.