Mozi: Governed Autonomy for Drug Discovery LLM Agents

Il paper presenta Mozi, un'architettura a doppio livello che combina la flessibilità dei modelli linguistici con il rigore computazionale per governare agenti autonomi nella scoperta di farmaci, garantendo affidabilità, tracciabilità e validità scientifica attraverso controlli gerarchici e checkpoint umani.

L'essenziale

Immagina di dover costruire un grattacielo. Se lasci che un gruppo di architetti geniali ma un po' caotici (le Intelligenze Artificiali attuali) lavorino senza regole, potrebbero iniziare a disegnare finestre al 50° piano prima di aver posato le fondamenta, o peggio, potrebbero inventare mattoni che non esistono. Nel mondo della scoperta di farmaci, questo caos costa miliardi di dollari e anni di tempo.

Il paper che hai condiviso introduce Mozi, un nuovo sistema progettato per trasformare queste "intelligenze caotiche" in scienziati collaborativi affidabili.

Ecco come funziona, spiegato con parole semplici e analogie:

1. Il Problema: Il Genio Sregolato

Attualmente, le Intelligenze Artificiali (LLM) sono bravissime a conversare e a trovare informazioni, ma quando devono fare compiti scientifici complessi (come trovare una nuova medicina), tendono a "sognare ad occhi aperti".

• L'analogia: È come se dessi a un cuoco stellato un elenco di ingredienti e gli dicessi: "Fammi un piatto". Lui potrebbe inventare un piatto delizioso, ma se gli chiedi di cucinare una cena per 100 persone seguendo una ricetta precisa, potrebbe dimenticare di accendere il forno o usare sale al posto dello zucchero perché ha "immaginato" che fosse così. Nel mondo dei farmaci, un errore di questo tipo può far fallire anni di ricerca.

2. La Soluzione: Mozi, il "Doppio Strato"

Mozi risolve questo problema dividendo il lavoro in due livelli distinti, come un'azienda ben organizzata con un Direttore e un Capo Cantiere.

Livello A: Il Direttore (Il Controllo)

Questo è il "cervello" che decide cosa fare, ma non tocca mai direttamente gli attrezzi pericolosi.

• Cosa fa: Ascolta la richiesta (es. "Trova una cura per il Parkinson"), la spezza in piccoli compiti e assegna il lavoro.
• La regola d'oro: Se il Direttore dice "Usa il trapano", il sistema controlla: "Chi ha il permesso di usare il trapano?". Se l'agente che sta lavorando non ha il permesso, il sistema lo ferma.
• L'analogia: È come un direttore d'orchestra. Non suona gli strumenti, ma assicura che ogni musicista suoni al momento giusto, nel tono giusto e non faccia rumore quando non dovrebbe. Se un musicista sbaglia nota, il direttore lo ferma e gli fa rifare la parte prima di andare avanti.

Livello B: Il Cantiere (Il Lavoro Concreto)

Questo è il livello dove avviene la magia scientifica, ma è costruito come un treno su binari fissi.

• Cosa fa: Esegue i passaggi della scoperta dei farmaci (dalla ricerca del bersaglio biologico alla creazione della molecola) come una catena di montaggio.
• La sicurezza: Ogni passaggio è un "nodo" in una mappa. Se il passaggio A non è perfetto, il treno non può andare al passaggio B.
• L'analogia: Immagina una catena di montaggio per auto. Se il motore non è stato assemblato correttamente, la cintura di montaggio si ferma automaticamente. Non si può montare la carrozzeria su un motore rotto. Questo evita che gli errori si accumulino fino a rendere il risultato finale inutile.

3. I Superpoteri di Mozi

• Il "Freno di Emergenza" Umano (HITL):
  In momenti critici (ad esempio, prima di scegliere quale proteina attaccare), il sistema si ferma e chiede a un vero scienziato umano: "Sei d'accordo?". È come quando un pilota automatico di un aereo chiede conferma al pilota umano prima di cambiare rotta in una zona di tempesta. Questo garantisce che l'IA non prenda decisioni folli da sola.

• La "Scatola Nera" Trasparente:
  Mozi tiene traccia di ogni singolo passo, come una scatola nera di un aereo. Se qualcosa va storto, puoi vedere esattamente chi ha fatto cosa, con quale strumento e perché. Questo è fondamentale per la scienza, dove tutto deve essere ripetibile.

• L'Esploratore Intelligente:
  Nel caso di studio sul Parkinson, Mozi ha scoperto che alcune molecole promettenti erano tossiche per il cuore. Invece di continuare a produrre veleno, il sistema ha "capito" il problema, ha cambiato strategia e ha iniziato a cercare nuove forme chimiche che fossero sicure, trovando un candidato migliore di quelli esistenti.

4. I Risultati: Cosa ha fatto Mozi?

Gli autori hanno testato Mozi su tre malattie difficili: il Morbo di Crohn, il Parkinson e la Sepsi.

• Risultato: Mozi è riuscito a navigare attraverso milioni di possibilità chimiche, a scartare quelle pericolose e a proporre nuove molecole che sembrano promettenti, tutto questo in poche ore o giorni, con una precisione superiore ai sistemi attuali.
• Il confronto: Mentre altri sistemi (come "Biomni") a volte si bloccano o inventano dati, Mozi, grazie alle sue regole rigide, riesce a portare a termine il compito senza impazzire.

In Sintesi

Mozi non è un'IA che "sogna" da sola. È un sistema di gestione che prende l'intelligenza creativa dell'IA e la incanala in un percorso sicuro, controllato e verificabile.

È come passare dall'avere un genio che ti dà consigli a caso, all'avere un team di ricerca completo dove ognuno ha un ruolo preciso, un supervisore attento e un piano di sicurezza che impedisce di fare danni. L'obiettivo non è sostituire gli scienziati umani, ma dar loro un "co-scienziato" digitale che non si stanca mai, non commette errori di distrazione e lavora con la precisione di un orologio svizzero.

Sommario tecnico

1. Il Problema

Il processo di scoperta dei farmaci è un'impresa complessa, costosa e ad alto rischio, che richiede l'integrazione di competenze multidisciplinari (biologia, chimica, farmacologia) e la gestione di flussi di lavoro a lungo raggio (long-horizon). Sebbene i modelli linguistici di grandi dimensioni (LLM) e gli agenti autonomi promettano di unificare il ragionamento scientifico con il calcolo, il loro utilizzo in ambiti ad alto rischio come la scoperta di farmaci è ostacolato da due barriere critiche:

1. Governance non vincolata nell'uso degli strumenti: Gli agenti LLM generici tendono a soffrire di "allucinazioni" nell'uso degli strumenti, violando procedure operative standard (SOP) e generando parametri sintatticamente invalidi per strumenti computazionali rigorosi.
2. Affidabilità a lungo raggio: In pipeline dipendenti da dati (dove l'output di una fase è l'input della successiva), le piccole allucinazioni o errori iniziali si accumulano in modo moltiplicativo, portando a fallimenti downstream irreproducibili.

L'attuale stato dell'arte manca di un meccanismo di governance robusto che bilanci la flessibilità del ragionamento generativo con il rigore deterministico richiesto dalla biologia computazionale.

2. Metodologia: Architettura a Doppio Strato

Per superare queste limitazioni, gli autori propongono Mozi, un framework agentic basato su un'architettura a doppio strato (Dual-Layer Architecture) che separa la governance strategica dall'esecuzione operativa.

Livello A: Control Plane (Piano di Controllo)

Agisce come motore di governance e orchestrazione gerarchica.

• Gerarchia Supervisor-Worker: Implementa un agente supervisore che pianifica ad alto livello e delega compiti a worker specializzati (es. Research Agent, Computation Agent).
• Governance Vincolata: Enfatizza l'isolamento basato sui ruoli. Gli strumenti sono filtrati in base ai permessi dell'agente (es. un agente di ricerca non può lanciare simulazioni di docking costose).
• Ciclo di Riflessione e Ripianificazione: Utilizza un meccanismo di "riflessione" (self-correction) dopo ogni passo. Se un passo fallisce o fornisce informazioni insufficienti, il supervisore avvia una ripianificazione dinamica invece di procedere ciecamente.
• Tracciabilità: Garantisce che ogni scelta algoritmica sia tracciabile e conforme alle policy aziendali.

Livello B: Workflow Plane (Piano di Flusso di Lavoro)

Operazionalizza le fasi canoniche della scoperta di farmaci (dall'Identificazione del Target all'Optimizzazione del Lead) come Skill Graphs (Grafici di Abilità) stati e componibili.

• Grafici di Stato (Stateful Skill Graphs): A differenza delle semplici chiamate di strumenti, questi grafici gestiscono lo stato interno, i rami di esecuzione paralleli e l'enforcement rigoroso dei contratti di dati.
• Adattatori di Formato: Validano e puliscono i dati in ingresso/uscita (es. assicurando che un file PDB sia privo di catene mancanti) per prevenire il fallimento "garbage in, garbage out".
• Checkpoint Human-in-the-Loop (HITL): Inserisce punti di pausa critici (es. prima della selezione finale di un candidato) dove esperti umani possono validare, correggere parametri o annullare azioni, garantendo la validità scientifica ai confini di alta incertezza.
• Integrazione MCP (Model Context Protocol): Unifica l'accesso a strumenti eterogenei (database, script locali, API cloud) in un livello di servizio standardizzato.

3. Contributi Chiave

1. Governed Autonomy: Un nuovo paradigma che combina la flessibilità del ragionamento LLM con l'esecuzione deterministica e governata, risolvendo il conflitto tra creatività dell'AI e rigore scientifico.
2. Architettura Ibrida: La separazione tra il piano di controllo (per la logica e la pianificazione) e il piano di flusso (per l'integrità degli artefatti scientifici) permette di gestire pipeline complesse senza accumulo di errori.
3. PharmaBench: Introduzione di un nuovo benchmark curato per agenti biomedici, composto da 88 task che coprono l'intero spettro della scoperta di farmaci, inclusi task di ragionamento scientifico complesso (HLE) e task quantitativi (TDC).
4. Robustezza agli Errori: Il sistema è progettato per contenere gli errori localmente all'interno dei nodi del grafico di lavoro, impedendo che un fallimento computazionale (es. crash di un docking) blocchi l'intera pipeline.

4. Risultati

Il sistema è stato valutato su PharmaBench e attraverso studi di caso end-to-end.

• Performance su PharmaBench:
  • Mozi ha superato i baseline esistenti (come Biomni) in termini di accuratezza di classificazione e regressione, specialmente quando alimentato da modelli base più grandi (es. Qwen3-235B).
  • Nel subset HLE (Human-Last Exam), Mozi ha dimostrato una capacità di ragionamento scientifico superiore rispetto a configurazioni generiche, raggiungendo un'accuratezza di corrispondenza esatta del 21.42% con il modello Deepseek-V3.2, contro il 10.71% di Gemini-2.5-Pro.
• Casi Studio (Crohn's, Parkinson's, Sepsis):
  • Crohn's: Il sistema ha identificato target, generato molecole de novo e filtrato candidati, producendo un lead con un punteggio di docking di -8.8 kcal/mol e un'accessibilità sintetica perfetta.
  • Parkinson's: Ha dimostrato la capacità di correggere errori di tossicità (blocco hERG) in fase di ottimizzazione, navigando autonomamente verso scaffold chimici più sicuri, superando i benchmark computazionali di DNL-201.
  • Sepsis: Ha gestito con successo fallimenti locali durante il docking (AutoDock Vina), isolando gli errori e continuando la pipeline senza interruzioni catastrofiche.
• Efficienza: Nel caso di Parkinson's, il sistema ha screeningato 377.760 composti in circa 35 minuti grazie all'uso di modelli surrogate ad alta velocità.

5. Significato e Impatto

Mozi rappresenta un passo fondamentale verso l'adozione degli agenti AI in ambienti industriali regolamentati.

• Trasformazione del Ruolo dell'AI: Trasforma l'LLM da un "conversazionale fragile" a un "co-scienziato governato e affidabile", capace di operare in ambienti scientifici reali.
• Sicurezza e Audit: La capacità di tracciare ogni decisione e di integrare checkpoint umani rende il processo trasparente e conforme alle normative, riducendo il rischio di errori costosi in fasi avanzate.
• Scalabilità: L'architettura permette di gestire spazi chimici massicci e pipeline multi-obiettivo, offrendo una soluzione pratica per l'accelerazione della scoperta di farmaci che va oltre la semplice generazione di ipotesi, garantendo l'esecuzione valida di interi flussi di lavoro.

In sintesi, Mozi non cerca solo di migliorare l'accuratezza delle previsioni, ma risolve il problema fondamentale della governance e dell'affidabilità nell'automazione scientifica, rendendo gli agenti LLM pronti per l'uso in scenari reali di R&D farmaceutico.