My Chemical Harness: Evolutionary Molecular Design over Synthetic Pathways with Large Language Model Agents

Das Paper stellt „My Chemical Harness“ vor, ein pfadnatives evolutionäres Framework, das Large Language Models als High-Level-Strategie-Controller nutzt, um die Konstruktion ausführbarer Synthesewege aus Bausteinen zu steuern und dadurch eine erstklassige Leistung im molekularen Design ohne Halluzinationen oder die Notwendigkeit einer Modellfeinabstimmung erzielt.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, ein neues, superwirksames Medikament zu erfinden. In der Vergangenheit haben Wissenschaftler (oder KIs) versucht, zuerst eine perfekte Molekülform zu entwerfen, so als würde man im Traum erst ein Auto skizzieren. Dann versuchten sie herauszufinden, wie man dieses Auto tatsächlich in einer Fabrik baut. Oft war das geträumte Auto unmöglich zu bauen, weil die Teile nicht existierten oder die Montageanleitungen unsinnig waren.

"My Chemical Harness" ist ein neuer Weg, dies zu tun. Anstatt zuerst das fertige Auto zu träumen, beginnt dieses System mit den Montageanleitungen und dem Teilekatalog.

So funktioniert es, unter Verwendung einfacher Analogien:

1. Die Suche gilt "Rezepten", nicht nur "Kuchen"

Die meisten KIs versuchen, den fertigen Kuchen (das Molekül) zu erraten und hoffen, dass er gut schmeckt. Dieses System behandelt jeden Kandidaten jedoch als ein Rezept.

• Die Zutaten: Eine Liste von echten, käuflichen Chemikalien (wie Mehl, Zucker, Eier).
• Die Schritte: Eine Liste von echten, bewährten Kochmethoden (wie "mischen", "backen", "falten").
• Die Regel: Man darf nur ein Rezept schreiben, wenn man die Zutaten auch wirklich kaufen kann und wenn die Schritte in einer Küche physisch möglich sind.

Wenn ein Rezept nach "magischem Staub" verlangt oder einen Schritt enthält, der die Küche abbrennt, lehnt das System dies sofort ab. Die "Suche" sucht nicht nach einer Form; sie sucht nach der besten Abfolge von Schritten, um ein nützliches Produkt herzustellen.

2. Die KI ist der "Küchenchef", nicht der "Koch"

Dies ist der wichtigste Teil der Arbeit. Das Large Language Model (die KI) ist nicht erlaubt, einfach nur ein zufälliges Molekül aufzuschreiben. Das wäre so, als würde man einen Koch bitten, ein neues Gericht zu erfinden, ohne zu wissen, welche Zutaten im Vorratsschrank sind.

Stattdessen fungiert die KI als Strategie-Manager:

• Sie schaut sich die aktuellen "Rezepte" in der Datenbank an.
• Sie entscheidet sich für einen Plan: "Lass uns Zucker durch Honig ersetzen", oder "Last uns eine Backmethode ausprobieren, die wir bisher noch nicht oft verwendet haben", oder "Lass uns die Rezepte kurz halten".
• Sie sagt dem Computer: "Versuche genau diese spezifischen Änderungen."

Die KI "kocht" das Molekül nie selbst. Sie gibt nur übergeordnete Richtungen vor.

3. Die "Roboter-Küche" erledigt die eigentliche Arbeit

Sobald der KI-Manager einen Plan erstellt hat, übernimmt eine deterministische Roboter-Küche (lokaler Code). Dieser Roboter:

• Prüft, ob die Zutaten tatsächlich existieren.
• Folgt den Schritten exakt, um zu sehen, ob das Rezept funktioniert.
• Baut das Molekül.
• Testet, ob das Endprodukt gut ist (bindet es an das Zielenzym der Krankheit?).
• Wirft jedes Rezept weg, das fehlschlägt oder ein Duplikat erzeugt.

Diese Trennung ist entscheidend. Wenn die KI halluziniert (Dinge erfindet), fängt die Roboter-Küche dies sofort ab, weil das Rezept dann nicht funktionieren würde. Die KI steuert die Richtung, aber der Roboter stellt die Realität sicher.

4. Aus Fehlern lernen (Die "Reflexions-Schleife")

Das System nutzt eine intelligente Schleife namens "Reflection" (Reflexion).

1. Versuchen: Die KI schlägt eine Strategie vor, und der Roboter probiert 1.000 Rezepte aus.
2. Überprüfen: Der Roboter sagt der KI: "Hey, deine Idee, 'Honig' zu verwenden, hat super funktioniert, aber 'Backen bei 500 Grad' ist jedes Mal gescheitert."
3. Anpassen: Die KI liest diesen Bericht, lernt daraus und ändert ihre Strategie für die nächsten 1.000 Rezepte.
4. Wiederholen: Dies geschieht immer und immer wieder, wodurch das System mit jedem Durchgang klüger wird.

Was haben sie herausgefunden?

Die Forscher testeten dies an einem spezifischen Enzymziel (sEH) und einem Satz von Standard-Arzneimitteldesign-Herausforderungen.

• Bessere Ergebnisse: Ihr System fand bessere Moleküle als Systeme, die zuerst nur die Form erraten haben, oder Systeme, die nicht die "Reflexions"-Fähigkeit der KI nutzten.
• Leichter zu bauen: Die gefundenen Moleküle waren nicht nur effektiv, sondern auch viel einfacher zu synthetisieren (zu bauen) in einem Labor.
• Kein Training nötig: Die KI musste nicht neu trainiert oder gelehrt werden, neue Chemie anzuwenden. Sie nutzte einfach ihr bestehendes Wissen, um als smarter Manager für die Roboter-Küche zu agieren.

Das Fazit

Betrachten Sie dieses System als ein Team, in dem die KI der erfahrene Projektmanager ist und der Code die präzise Bauteam-Crew. Der Manager entscheidet, wohin man schauen muss und was man ausprobieren soll, aber die Crew stellt sicher, dass jeder Baustein echt und jeder Schritt sicher ist. Dies verhindert, dass die KI unmögliche Dinge träumt, und stellt sicher, dass die endgültigen Entdeckungen auch in der realen Welt tatsächlich baubar sind.

Technische Zusammenfassung

Technisches Resümee: My Chemical Harness

Problemstellung
Die zentrale Herausforderung in der Wirkstoff- und Materialforschung besteht darin, Moleküle mit gezielten chemischen Eigenschaften zu entwerfen, die gleichzeitig synthetisch zugänglich sind. Während jüngste Fortschritte bei generativen Modellen (Transformer, Diffusionsmodelle) Erfolge bei der Abtastung neuer Molekülstrukturen gezeigt haben, erzeugen sie oft Kandidaten, denen realisierbare Synthesewege fehlen. Traditionelle Ansätze generieren typischerweise zuerst Molekülstrukturen und versuchen dann, diese a posteriori auf synthetisierbare Pfade abzubilden, oder sie behandeln Synthetisierbarkeit als externe Strafe. Dieses Paper argumenttiert, dass das molekulare Design direkt als Suche über ausführbare Synthesepfade formuliert werden sollte, wobei das Kandidatenobjekt der Pfad selbst ist und nicht nur das finale Molekülgraphen-Modell.

Methodik: My Chemical Harness
Die Autoren führen „My Chemical Harness“ ein, ein routennatives evolutionäres Framework, das Large Language Models (LLMs) als Strategie-Controller innerhalb einer deterministischen Chemie-Pipeline integriert. Das System operiert als genetischer Algorithmus, bei dem die Population aus ausführbaren Synthesewegen besteht und nicht aus isolierten Molekülen.

• Repräsentation des Suchraums: Der Suchraum wird durch eine Bibliothek käuflicher Bausteine ($B$), einen Satz von Reaktions-Templates ($R$), die als SMARTS-Muster dargestellt sind, und eine Kompatibilitätsmatrix ($M$) definiert. Ein Kandidat ist eine Route $r = (s_1, \dots, s_L)$, eine Sequenz instanziierter Reaktionsschritte. Das „Genotyp“ ist die Route, und das „Phänotyp“ ist das finale Produktmolekül, das durch die Ausführung der Route mittels deterministischer Werkzeuge (z. B. RDKit) erhalten wird.
• Rolle des LLM als Strategie-Controller: Das LLM wird explizit davon ausgeschlossen, Moleküle oder Reaktionsschritte direkt zu generieren, um Halluzinationen zu verhindern. Stattdessen fungiert es als High-Level-Planer, der Präferenzen für die Suche festlegt, wie etwa Routenlänge, Arten von Bewegungen (z. B. Substitution, Extension), Reaktionsfamilien und Explorationsdruck.
• Deterministische Ausführung: Lokaler Code übernimmt die gesamte Schwerstarbeit: das Sampling kompatibler Reaktanten, die Validierung von Reaktions-Slots, die Ausführung von RDKit-Transformationen, das Entfernen von Duplikaten und das Scoring von Produkten mittels aufgaben-spezifischer Oracles.
• Reflektive Optimierungsschleife: Das Framework nutzt einen „reflektiven“ Iterationsprozess:
  1. Kontext-Assemblierung: Das System sammelt Insel-Gedächtnis (Historie erfolgreicher/gescheiterter Routen).
  2. Planung: Das LLM schlägt eine Suchstrategie basierend auf der Aufgabe und dem Kontext vor.
  3. Erster Durchgang: Lokaler Code führt die Strategie aus, generiert und bewertet Kandidaten.
  4. Reflexion: Das LLM überprüft die Ergebnisse (Erfolge, Misserfolge, Motive) und revidiert seine Strategie für das verbleibende Budget.
  5. Zweiter Durchgang & Selektion: Die revidierte Strategie wird ausgeführt und die besten Kandidaten werden in die Population aufgenommen.
  6. Lernen: Das LLM erstellt einen Bericht, um zukünftige Iterationen zu leiten.

Wesentliche Beiträge

1. Routennative evolutionäre Suche: Das Paper schlägt einen Paradigmenwechsel vor, bei dem der genetische Algorithmus auf ausführbaren Syntheseprogrammen (Routen) operiert, wodurch sichergestellt wird, dass die Synthetisierbarkeit strukturell im Suchraum verankert ist und nicht nur eine Post-hoc-Beschränkung darstellt.
2. Beschränktes LLM-Integration: Es demonstriert eine „Harness“-Architektur, in der LLMs die Exploration durch High-Level-Strategien steuern, ohne direkten Zugriff auf die chemische Generierung zu haben, wodurch das Risiko halluzinierter Produkte oder nicht unterstützter Reaktionsschritte eliminiert wird.
3. Reflektiver Agenten-Mechanismus: Die Einführung eines iterativen Reflexionsschritts ermöglicht es dem LLM, seine Suchpolitik basierend auf unmittelbarem Feedback aus der deterministischen Chemie-Engine anzupassen, was die Allokation der Suchleistung verbessert.

Ergebnisse
Das Framework wurde auf zwei Benchmarks evaluiert:

• Soluble Epoxide Hydrolase (sEH) Proxy: Der reflektive LLM-Agent erreichte eine State-of-the-Art-Leistung im Vergleich zu deterministischen Controllern und nicht-reflektiven LLM-Baselines. Er erreichte einen Top-1000 mittleren sEH-Score von $0,984 \pm 0,005$, den niedrigsten Synthetic Accessibility (SA) Score von $1,996 \pm 0,027$ und die höchste AiZynthFinder-Erfolgsrate von $0,994 \pm 0,004$. Der reflektive Agent konnte erfolgreich chemisch interpretierbare Motive (z. B. Harnstoff- und Amidgruppen) anreichern, die konsistent mit der bekannten sEH-Inhibitor-Chemie sind.
• Therapeutics Data Commons (TDC) Oracles: Die Methode wurde auf 13 diverse molekulare Design-Oracles angewendet. Der reflektive LLM-Ansatz übertraf Baseline-synthese-beschränkte Methoden (ReaSyn, SynthesisNet, SynNet) bei mehreren Zielsetzungen, einschließlich amlodipine_mpo (0,6436 vs. 0,620) und sitagliptin_mpo (0,4522 vs. 0,314), was die Generalisierbarkeit der Strategiekontrolle über verschiedene Optimierungsziele hinweg demonstriert.

Bedeutung und Ansprüche
Das Paper behauptet, dass beschränkte LLM-Agenten eine bedeutende Rolle bei der molekularen Entdeckung spielen können, ohne dass Training, Fine-Tuning oder dedizierte generative Modelle erforderlich sind. Der primäre Wert des LLM wird als adaptive Priorisierung über einem beschränkten synthetischen Aktionsraum identifiziert. Durch die Trennung der strategischen Rolle des LLM von der deterministischen Ausführung der Chemie erreicht das System ein Gleichgewicht, bei dem das LLM die Suche in vielversprechende Regionen des chemischen Raums lenkt, während lokale Werkzeuge die chemische Realität und Validität erzwingen. Die Autoren kommen zu dem Schluss, dass dieser Ansatz die rationale Entwicklung von synthetisierbaren Medikamenten und molekular geprägten Polymeren erleichtert und einen zuverlässigen, auditierbaren und halluzinationsfreien Pfad für die KI-gestützte wissenschaftliche Entdeckung bietet.