Mozi: Governed Autonomy for Drug Discovery LLM Agents

L'article présente Mozi, une architecture à double couche qui combine la flexibilité des agents LLM avec la rigueur déterministe de la biologie computationnelle pour garantir une découverte de médicaments autonome, fiable et auditable en imposant une gouvernance stricte des outils et des points de contrôle humains tout au long des pipelines complexes.

L'essentiel

Imaginez que vous essayez de construire un gratte-ciel, mais au lieu d'avoir des architectes et des ingénieurs, vous engagez un génie très bavard et très créatif qui n'a jamais posé un seul briquet. Ce génie (l'Intelligence Artificielle actuelle) a d'incroyables idées, mais il a tendance à halluciner : il peut vous dire qu'il a posé une poutre en acier alors qu'il a en fait posé une plume. Dans le monde réel, comme pour la découverte de médicaments, une erreur de ce type peut coûter des milliards et mettre des vies en danger.

C'est là qu'intervient Mozi, présenté dans cet article.

Voici une explication simple de ce projet, imagée comme une grande entreprise de construction intelligente.

1. Le Problème : Le Génie sans Frein

Actuellement, les "agents" IA (des robots logiciels qui utilisent d'autres outils) sont comme des apprentis très enthousiastes mais imprévisibles.

• L'illusion de la liberté : Ils peuvent tout essayer, mais ils font souvent des erreurs de calcul ou inventent des faits (hallucinations).
• L'effet boule de neige : Dans la découverte de médicaments, chaque étape dépend de la précédente. Si l'apprenti se trompe dès la première étape (par exemple, en choisissant la mauvaise protéine), toutes les étapes suivantes (qui prennent des heures de calcul) sont inutiles. C'est comme construire les étages 10 à 20 sur des fondations qui ne sont pas là.

2. La Solution : Mozi, le Chef de Chantier à Deux Niveaux

Mozi n'est pas un simple robot qui parle. C'est une architecture à deux étages qui combine la créativité de l'IA avec la rigueur d'un ingénieur en chef.

Niveau A : Le Superviseur (Le Chef de Chantier)

Imaginez un chef de chantier très strict qui ne fait pas le travail lui-même, mais qui gouverne les ouvriers.

• Rôle : Il écoute ce que vous voulez (ex: "Trouvez un remède pour la maladie de Crohn").
• Contrôle : Il ne laisse pas l'ouvrier faire n'importe quoi. Il dit : "Tu as le droit de chercher des livres, mais tu n'as pas le droit de lancer la machine de forage coûteuse tant que je n'ai pas validé le plan."
• Sécurité : Si l'ouvrier fait une erreur, le chef arrête tout, réfléchit (réfléchit) et redessine le plan avant de continuer. Il s'assure que tout est vérifiable et traçable.

Niveau B : Le Plan de Travail (Les Ingénieurs Spécialisés)

C'est ici que le travail concret se fait, mais de manière très structurée, comme une chaîne de montage.

• Les Étapes Fixes : Au lieu de laisser l'IA improviser, Mozi utilise des "graphes de compétences" préfabriqués. C'est comme un manuel de recette de cuisine strict :
  1. Identifier la cible (le problème).
  2. Trouver le coupable (le médicament potentiel).
  3. Améliorer le coupable (le rendre plus efficace).
  4. Vérifier la sécurité (est-ce toxique ?).
• Contrats de Données : Chaque étape vérifie que les ingrédients sont bons. Si l'étape 1 donne un ingrédient pourri, l'étape 2 ne l'accepte pas. Cela empêche les erreurs de se propager.

3. La Magie : L'Humain dans la Boucle (Le Contremaître)

Parfois, le chef de chantier (Mozi) doit s'arrêter et demander l'avis d'un expert humain (un vrai scientifique).

• Les Points de Contrôle : Avant de passer à une étape critique (comme "on va synthétiser cette molécule"), le système met tout en pause et dit : "Hé, l'humain ! Regarde ce choix de structure. Est-ce que c'est bon ?"
• Pourquoi ? Parce que l'IA peut être intelligente, mais elle n'a pas l'intuition clinique d'un médecin. Cela transforme l'IA d'un "boîte noire" mystérieuse en un co-scientifique de confiance.

4. Les Résultats : Une Usine à Médicaments Plus Sûre

Les auteurs ont testé Mozi sur des maladies complexes comme la maladie de Crohn, Parkinson et la septicémie.

• Résultat : Mozi a réussi à naviguer dans des espaces chimiques immenses (des millions de molécules possibles) sans se perdre.
• Comparaison : Contrairement à d'autres IA qui essaient d'écrire du code complexe à chaque fois (et qui échouent souvent), Mozi utilise des outils existants de manière sûre.
• Exemple concret : Pour Parkinson, Mozi a trouvé une nouvelle molécule qui ressemble à un médicament existant (DNL-201) mais qui est potentiellement plus sûre et plus efficace, tout en évitant les pièges toxiques que d'autres systèmes auraient manqués.

En Résumé

Mozi, c'est comme passer d'un jeu de construction libre (où vous pouvez tout faire, mais risquez de tout faire tomber) à une usine robotisée supervisée par un ingénieur.

• Avant : L'IA était un artiste solitaire qui rêvait de médicaments.
• Avec Mozi : L'IA est devenue un collaborateur rigoureux, capable de gérer des processus longs et complexes, de respecter les règles de sécurité, et de travailler main dans la main avec les humains pour découvrir de nouveaux traitements de manière fiable.

C'est un pas de géant pour transformer l'IA d'un "conversateur fragile" en un véritable "scientifique gouverné" capable de sauver des vies.

Résumé technique

Résumé Technique : Mozi – Autonomie Gouvernée pour les Agents LLM en Découverte de Médicaments

1. Problématique et Contexte

La découverte de médicaments est un processus complexe, coûteux et à haut risque, nécessitant l'intégration de multiples étapes (identification de cibles, criblage, optimisation de leads). Bien que les modèles de langage (LLM) et les agents autonomes aient montré un potentiel pour orchestrer ces tâches, leur déploiement dans des domaines critiques comme la pharmacie se heurte à deux obstacles majeurs :

• L'absence de gouvernance stricte : Les agents LLM génériques sont sujets à des "hallucinations" d'outils et à une instabilité probabiliste, ce qui les rend inadaptés aux environnements réglementés où la reproductibilité et la sécurité sont primordiales.
• La fiabilité à long terme (Long-horizon) : Dans les pipelines dépendants, les erreurs commises à un stade précoce (ex: sélection d'une cible erronée) se propagent et s'accumulent de manière multiplicative, rendant les résultats ultérieurs scientifiquement invalides.

Le défi consiste donc à concilier la flexibilité du raisonnement génératif des LLM avec la rigueur déterministe requise par la biologie computationnelle.

2. Méthodologie : Architecture à Double Couche

Pour surmonter ces limitations, les auteurs proposent Mozi, une architecture innovante basée sur le principe d'"autonomie gouvernée". Elle sépare le système en deux couches symbiotiques interconnectées via le protocole MCP (Model Context Protocol) :

Couche A : Plan de Contrôle (Control Plane)

Cette couche agit comme un moteur de gouvernance hiérarchique (Superviseur-Travailleurs) :

• Superviseur : Il ne génère pas de plans ouverts, mais décompose les intentions utilisateur en étapes minimales et permises. Il intègre un mécanisme de réflexion (auto-correction) pour évaluer l'état d'avancement et déclencher une replanification dynamique si une étape échoue.
• Travailleurs Spécialisés : Des agents distincts (Recherche, Calcul) sont instanciés avec des contextes isolés.
• Gouvernance par Rôle : L'accès aux outils est strictement filtré selon le rôle de l'agent (ex: un agent de recherche ne peut pas lancer des simulations de docking coûteuses). Cela empêche les conflits de rôles et assure la sécurité des ressources.

Couche B : Plan de Workflow (Workflow Plane)

Cette couche opérationnalise les protocoles scientifiques sous forme de Graphes de Compétences (Skill Graphs) étatiques et composites :

• Représentation par Graphes : Les pipelines de découverte (de l'identification de la cible à l'optimisation du lead) sont encodés comme des graphes orientés acycliques (DAG). Cela impose un flux de données valide et une logique scientifique stricte.
• Contrats de Données : Des adaptateurs de format valident et nettoient les données à chaque nœud (ex: vérification des fichiers PDB) pour éviter le phénomène "Garbage In, Garbage Out".
• Points de Contrôle Humains (HITL) : Des checkpoints sont intégrés aux décisions à haute incertitude (ex: validation de la cible, sélection de la structure protéique), permettant aux experts humains d'intervenir, de corriger des paramètres ou de rejeter des résultats avant la poursuite du processus.

Outils et Intégration

Le système fédère une vaste gamme d'outils (bases de données biologiques, docking moléculaire, prédiction ADMET, génération de molécules) via MCP, abstraisant leur complexité technique tout en assurant la traçabilité des artefacts générés.

3. Contributions Clés

• Architecture Dual-Layer : Une séparation conceptuelle claire entre la gestion de l'intention (flexible) et l'exécution du workflow (rigide et vérifiable), résolvant le compromis entre agilité et fiabilité.
• Mécanismes de Robustesse : Intégration native de la gestion d'erreurs au niveau du graphe (contenant les crashes locaux sans arrêter le pipeline global) et de la traçabilité complète (provenance des artefacts).
• Benchmark PharmaBench : Introduction d'un nouveau benchmark de 88 tâches couvrant tout le spectre de la découverte de médicaments, allant de la prédiction quantitative (TDC) au raisonnement scientifique complexe (HLE - Human Last Exam).
• Paradigme de Co-Scientifique : Transformation de l'agent d'un outil d'automatisation "boîte noire" en un partenaire de recherche collaboratif et auditable.

4. Résultats Expérimentaux

Les évaluations ont été menées sur PharmaBench et à travers des études de cas end-to-end (Crohn, Parkinson, Sepsis).

• Performance sur PharmaBench : Mozi surpasse les agents de base (comme Biomni) en termes de précision de classification et de réduction de l'erreur de régression (SMAPE), en particulier lorsqu'il est couplé à des modèles de base plus puissants (Qwen3-235B). Il démontre une meilleure capacité à sélectionner et exécuter les bons outils.
• Études de Cas Longs (Long-Horizon) :
  • Crohn's Disease : Le système a généré des candidats avec un score de docking de -9.0 kcal/mol, en gérant efficacement les échecs de docking locaux sans interrompre le flux.
  • Parkinson's Disease : Le système a identifié des risques de toxicité (blocage hERG) lors de l'étape "Hit-to-Lead" et a utilisé l'optimisation par renforcement pour naviguer vers un nouveau scaffold chimique sûr, surpassant les métriques computationnelles du benchmark clinique DNL-201.
  • Sepsis : Démonstration d'une filtration rigoureuse aboutissant à des candidats "zéro pénalité" malgré des échecs de validation physique, grâce à la logique de graphe étatique.
• Comparaison avec d'autres plateformes : Contrairement à des systèmes comme Biomni (qui échouent à concevoir de nouvelles molécules et dépendent de recherches web) ou K-Dense (filtrage superficiel), Mozi a réussi à générer des structures chimiques novatrices respectant les contraintes physico-chimiques strictes (poids moléculaire, perméabilité BBB).

5. Signification et Impact

Mozi représente une avancée significative vers l'industrialisation de l'IA dans la découverte de médicaments.

• Fiabilité : En passant d'une approche purement générative à une approche gouvernée par des graphes d'état, le système élimine l'accumulation d'erreurs, un problème critique dans les pipelines scientifiques.
• Auditabilité : La traçabilité de chaque décision et de chaque artefact répond aux exigences réglementaires des industries pharmaceutiques.
• Collaboration Humain-Machine : L'intégration de points de contrôle humains (HITL) permet de combiner l'efficacité computationnelle de l'IA avec l'intuition et l'expertise des scientifiques, créant un environnement de travail hybride sûr et productif.

En conclusion, Mozi ne se contente pas d'automatiser des tâches, mais fournit un cadre robuste pour transformer les LLM en "co-scientifiques" fiables capables de naviguer dans des espaces chimiques massifs tout en respectant les contraintes biologiques et de sécurité les plus strictes.