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

L'article introduit « My Chemical Harness », un cadre évolutif natif de la voie qui exploite les grands modèles de langage en tant que contrôleurs de stratégie de haut niveau pour guider la construction de voies de synthèse exécutables à partir de blocs de construction, atteignant ainsi des performances de conception moléculaire de pointe sans hallucinations ni besoin de réglage fin du modèle.

L'essentiel

Imaginez que vous essayez d'inventer un nouveau médicament super efficace. Par le passé, les scientifiques (ou l'IA) essayaient d'imaginer d'abord la forme parfaite d'une molécule, comme si l'on dessinait une voiture dans un rêve. Ensuite, ils essayaient de comprendre comment la construire réellement dans une usine. Souvent, la voiture de rêve était impossible à construire parce que les pièces n'existaient pas ou que les instructions d'assemblage n'avaient aucun sens.

« My Chemical Harness » est une nouvelle façon de faire cela. Au lieu de rêver d'abord de la voiture finie, ce système commence par les instructions d'assemblage et le catalogue de pièces.

Voici comment cela fonctionne, en utilisant des analogies simples :

1. La recherche porte sur des « recettes », pas seulement sur des « gâteaux »

La plupart des IA essaient de deviner le gâteau final (la molécule) en espérant qu'il soit bon. Ce système, cependant, traite chaque candidat comme une recette.

• Les ingrédients : Une liste de produits chimiques réels et achetables (comme de la farine, du sucre, des œufs).
• Les étapes : Une liste de méthodes de cuisine réelles et éprouvées (comme « mélanger », « cuire », « plier »).
• La règle : Vous ne pouvez écrire une recette que si vous pouvez réellement acheter les ingrédients et si les étapes sont physment possibles dans une cuisine.

Si une recette appelle de la « poussière magique » ou une étape qui brûle la cuisine, le système la rejette immédiatement. La « recherche » ne cherche pas une forme ; elle cherche la meilleure séquence d'étapes pour fabriquer un produit utile.

2. L'IA est le « Chef de cuisine », pas le « Cuisinier »

C'est la partie la plus importante de l'article. Le Modèle de Langage Étendu (l'IA) n'a pas le droit de simplement noter une molécule au hasard. Cela reviendrait à demander à un chef d'inventer un nouveau plat sans connaître les ingrédients présents dans le garde-manger.

Au lieu de cela, l'IA agit comme un Gestionnaire de stratégie :

• Elle regarde les « recettes » actuelles dans la base de données.
• Elle décide d'un plan : « Essayons de remplacer le sucre par du miel », ou « Essayons une méthode de cuisson que nous n'avons pas beaucoup utilisée jusqu'à présent », ou « Gardons les recettes courtes ».
• Elle dit à l'ordinateur : « Allez, essayez ces changements spécifiques ».

L'IA ne « cuisine » jamais la molécule. Elle donne simplement des directions de haut niveau.

3. La « Cuisine Robotisée » fait le vrai travail

Une fois que le Manager IA donne un plan, une cuisine robotisée déterministe (code local) prend le relais. Ce robot :

• Vérifie si les ingrédients existent réellement.
• Suit les étapes exactement pour voir si la recette fonctionne.
• Construit la molécule.
• Teste si le produit final est bon (se lie-t-il à la cible de la maladie ?).
• Jette toute recette qui échoue ou qui produit un doublon.

Cette séparation est cruciale. Si l'IA hallucine (invente des choses), la cuisine robotisée le détecte immédiatement car la recette ne fonctionnera pas. L'IA guide la direction, mais le robot assure la réalité.

4. Apprendre de ses erreurs (La boucle de « Réflexion »)

Le système utilise une boucle intelligente appelée « Réflexion ».

1. Essayer : L'IA suggère une stratégie, et le robot essaie 1 000 recettes.
2. Réviser : Le robot dit à l'IA : « Hé, votre idée d'utiliser du "miel" a très bien fonctionné, mais la "cuisson à 500 degrés" a échoué à chaque fois ».
3. Ajuster : L'IA lit ce rapport, apprend de lui et change sa stratégie pour les 1 000 recettes suivantes.
4. Répéter : Cela se produit encore et encore, devenant de plus en plus intelligent à chaque tour.

Qu'ont-ils trouvé ?

Les chercheurs ont testé cela sur une enzyme spécifique (sEH) et sur un ensemble de défis standards de conception de médicaments.

• Meilleurs résultats : Leur système a trouvé de meilleures molécules que les systèmes qui se contentent de deviner la forme d'abord, ou les systèmes qui n'utilisent pas la capacité de « réflexion » de l'IA.
• Plus faciles à construire : Les molécules trouvées étaient non seulement efficaces, mais aussi beaucoup plus faciles à synthétiser (à construire) en laboratoire.
• Aucun entraînement nécessaire : L'IA n'a pas eu besoin d'être réentraînée ou de recevoir de nouvelles connaissances en chimie. Elle a simplement utilisé ses connaissances existantes pour agir comme un gestionnaire intelligent pour la cuisine robotisée.

L'essentiel

Voyez ce système comme une équipe où l'IA est le chef de projet expérimenté et le code est l'équipe de construction précise. Le manager décide où regarder et quoi essayer, mais l'équipe garantit que chaque bloc de construction est réel et que chaque étape est sûre. Cela empêide l'IA de rêver de choses impossibles et garantit que les découvertes finales sont réellement constructibles dans le monde réel.

Résumé technique

Résumé Technique : My Chemical Harness

Énoncé du Problème
Le défi central de la découverte de médicaments et de matériaux consiste à concevoir des molécules possédant des propriétés chimiques ciblées qui sont également synthétiquement accessibles. Bien que les avancées récentes des modèles génératifs (transformers, modèles de diffusion) aient montré un certain succès dans l'échantillonnage de nouvelles structures moléculaires, elles produisent souvent des candidats qui manquent de voies de synthèse réalisables. Les approches traditionnelles génèrent généralement d'abord des structures moléculaires, puis tentent de les mapper vers des voies synthétisables a posteriori, ou traitent la synthétisabilité comme une pénalité externe. Cet article soutient que la conception moléculaire devrait être formulée directement comme une recherche sur des voies de synthèse exécutables, où l'objet candidat est la voie elle-même, et non seulement le graphe moléculaire final.

Méthodologie : My Chemical Harness
Les auteurs introduisent « My Chemical Harness », un cadre évolutif natif de la voie de synthèse qui intègre des modèles de langage de grande taille (LLM) en tant que contrôleurs de stratégie au sein d'un pipeline de chimie déterministe. Le système fonctionne comme un algorithme génétique où la population est composée de voies de synthèse exécutables plutôt que de molécules isolées.

• Représentation de l'espace de recherche : L'espace de recherche est défini par une bibliothèque de blocs de construction achetables ($B$), un ensemble de modèles de réaction ($R$) représentés par des motifs SMARTS, et une matrice de compatibilité ($M$). Un candidat est une voie $r = (s_1, \dots, s_L)$, une séquence d'étapes de réaction instanciées. Le « génotype » est la voie, et le « phénotype » est la molécule produit final obtenue en exécutant la voie à l'aide d'outils déterministes (par exemple, RDKit).
• Rôle du LLM en tant que Contrôleur de Stratégie : Le LLM est explicitement restreint de générer des molécules ou des étapes de réaction directement pour éviter les hallucinations. Il agit plutôt comme un planificateur de haut niveau qui sélectionne des préférences pour la recherche, telles que la longueur de la voie, les types de mouvements (ex: substitution, extension), les familles de réactions et la pression d'exploration.
• Exécution Déterministe : Le code local gère toutes les tâches lourdes : échantillonnage de réactifs compatibles, validation des emplacements de réaction, exécution des transformations RDKit, suppression des doublons et évaluation des produits via des oracles spécifiques à la tâche.
• Boucle d'Optimisation Réflexive : Le cadre emploie un processus d'itération « réflexive » :
  1. Assemblage du Contexte : Le système rassemble la mémoire de l'îlot (historique des voies réussies/échouées).
  2. Planification : Le LLM propose une stratégie de recherche basée sur la tâche et le contexte.
  3. Premier Passage : Le code local exécute la stratégie, générant et évaluant les candidats.
  4. Réflexion : Le LLM examine les résultats (succès, échecs, motifs) et révise sa stratégie pour le budget restant.
  5. Second Passage et Sélection : La stratégie révisée est exécutée, et les meilleurs candidats sont engagés dans la population.
  6. Apprentissage : Le LLM génère un rapport pour guider les itérations futures.

Contributions Clés

1. Recherche Évolutive Native de la Voie : Le papier propose un changement de paradigme où l'algorithme génétique opère sur des programmes de synthèse exécutables, garantissant que la synthétisabilité est structurelle à l'espace de recherche plutôt qu'une contrainte post-hoc.
2. Intégration de LLM Contraints : Il démontre une architecture de « harnais » où les LLM guident l'exploration via une stratégie de haut niveau sans accès direct à la génération chimique, éliminant ainsi le risque de produits hallucinés ou d'étapes de réaction non supportées.
3. Mécanisme d'Agent Réflexif : L'introduction d'une étape de réflexion à mi-itération permet au LLM d'adapter sa politique de recherche en fonction du feedback immédiat du moteur de chimie déterministe, améliorant ainsi l'allocation de l'effort de recherche.

Résultats
Le cadre a été évalué sur deux benchmarks :

• Proxy de l'Époxyde Hydrolase Soluble (sEH) : L'agent LLM réflexif a atteint des performances de pointe par rapport aux contrôleurs déterministes et aux lignes de base de LLM non réflexifs. Il a obtenu un score moyen sEH top-1000 de $0,984 \pm 0,005$, le score de Synthétisabilité (SA) le plus bas de $1,996 \pm 0,027$, et le taux de succès AiZynthFinder le plus élevé de $0,994 \pm 0,004$. L'agent réflexif a réussi à enrichir des motifs chimiquement interprétables (ex: groupes urée et amide) cohérents avec la chimie connue des inhibiteurs de sEH.
• Oracles de la Therapeutics Data Commons (TDC) : La méthode a été appliquée à 13 oracles de conception moléculaire diversifiés. L'approche LLM réflexive a surpassé les méthodes de base contraintes par la synthèse (ReaSyn, SynthesisNet, SynNet) sur plusieurs cibles, notamment amlodipine_mpo (0,6436 contre 0,620) et sitagliptin_mpo (0,4522 contre 0,314), démontrant la généralisabilité du contrôle stratégique à travers différents objectifs d'optimisation.

Signification et Revendications
Le papier affirme que les agents LLM contraints peuvent jouer un rôle significatif dans la découverte moléculaire sans nécessiter d'entraînement, de fine-tuning ou de modèles génératifs dédiés. La valeur primaire du LLM est identifiée comme étant la priorisation adaptative sur un espace d'action chimique contraint. En séparant le rôle stratégique du LLM de l'exécution déterministe de la chimie, le système atteint un équilibre où le LLM guide la recherche vers des régions prometteuses de l'espace chimique tandis que les outils locaux imposent la réalité et la validité chimiques. Les auteurs concluent que cette approche facilite la conception rationnelle de médicaments synthétisables et de polymères à empreinte moléculaire, offrant une voie fiable, auditable et exempte d'hallucinations pour la découverte scientifique assistée par l'IA.