🤖 machine learning

DrugSAGE:Self-evolving Agent Experience for Efficient State-of-the-Art Drug Discovery

DrugSAGE è un framework di agenti auto-evolutivo che accumula e riutilizza esperienze trasversali ai compiti—come competenze verificate, strategie efficaci e correzioni di errori—per costruire in modo efficiente modelli di scoperta di farmaci all'avanguardia, superando significativamente gli agenti esistenti riducendo o eliminando la necessità di costose ricerche su nuovi compiti.

Autori originali: Yikun Zhang, Xiwei Cheng, Tianyu Liu, Yuanqi Du, Wengong Jin

Pubblicato 2026-05-18

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Yikun Zhang, Xiwei Cheng, Tianyu Liu, Yuanqi Du, Wengong Jin

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover preparare la torta perfetta per una ricetta specifica e difficile. Nel mondo della scoperta di farmaci, questa "torta" è un modello informatico che prevede come un nuovo medicinale si comporterà nell'organismo umano.

Attualmente, se uno scienziato vuole preparare una torta per una nuova ricetta (una nuova proprietà del farmaco), di solito ricomincia da zero. Deve indovinare quali ingredienti usare, provare diverse temperature del forno, assaggiare l'impasto, fallire e ricominciare. Anche se prepara 100 torte per 100 ricette diverse, spesso scarta tutte le lezioni apprese dopo la prima. Tratta ogni nuova ricetta come un mistero completamente nuovo, sprecando tempo e denaro per reimparare cose che già conosce.

DRUGSAGE è un nuovo "fornaio intelligente" (un agente AI) che cambia le regole. Invece di dimenticare i suoi errori e i suoi successi, mantiene un enorme libro di ricette in evoluzione che diventa più intelligente con ogni torta che prepara.

Ecco come funziona, scomposto in parti semplici:

1. Il "Libro di Ricette" (La Memoria)

La maggior parte degli agenti AI ha una memoria a breve termine; dimenticano cosa hanno fatto ieri. DRUGSAGE possiede una memoria a lungo termine composta da tre sezioni specifiche:

Le "Ricette Vincenti" (Memoria delle Soluzioni): Ricorda quali combinazioni specifiche di ingredienti (modelli e metodi di addestramento) hanno funzionato meglio per compiti simili in passato.
Le "Note dello Chef" (Memoria di Rifinitura): Ricorda perché un cambiamento ha funzionato. Ad esempio: "Quando abbiamo abbassato la temperatura del forno di 10 gradi, la torta è cresciuta meglio".
Il "Registro dei Disastri" (Memoria di Esecuzione): Mantiene un elenco di cose che hanno fatto prendere fuoco alla cucina (errori di codice, crash di memoria) e esattamente come risolverle la prossima volta.

2. La "Ricerca Intelligente" (Come trova il miglior modello)

Quando a DRUGSAGE viene chiesto di preparare una nuova torta, non indovina a caso. Utilizza una strategia chiamata MCTS (Monte Carlo Tree Search), che è come esplorare una foresta di possibili ricette.

Senza Memoria: Un agente vaga per l'intera foresta, provando ogni sentiero, anche quelli che portano a vicoli ciechi.
Con DRUGSAGE: Prima ancora di entrare nella foresta, controlla il suo Libro di Ricette. Dice: "Ehi, per una torta simile a questa, il sentiero 'cioccolato e gocce' ha funzionato benissimo l'ultima volta". Salta i vicoli ciechi e va direttamente ai sentieri promettenti.
La Garanzia: Il documento dimostra matematicamente che, anche con questo "foglio di trucchi" del passato, l'agente è comunque garantito a trovare la soluzione assoluta migliore alla fine, solo molto più velocemente.

3. Il Superpotere "Zero-Ricerca"

Questo è il trucco più impressionante. A volte, la nuova ricetta è così simile a una vecchia che DRUGSAGE non ha bisogno di preparare affatto la torta.

Lo Scenario: Se gli chiedi di prevedere come un farmaco si scioglie in acqua, e ha già risolto un problema molto simile su come un farmaco si scioglie in olio, potrebbe dire: "Conosco già la risposta. Copierò semplicemente la ricetta vincente dal compito sull'olio e la userò qui".
Il Risultato: Fornisce una soluzione di livello superiore con zero test o ricerche aggiuntive. È come uno chef che, quando gli viene chiesto di fare una torta al limone, si rende conto di aver già preparato una torta al lime perfetta ieri e si limita a scambiare il frutto, risparmiando ore di lavoro.

I Risultati: Ha funzionato?

Gli autori hanno testato questo "fornaio intelligente" su 33 diverse sfide nella scoperta di farmaci (come prevedere la tossicità, la solubilità o quanto bene un farmaco si lega a una proteina).

Prestazioni in Solitaria: Quando costretto a lavorare da solo senza aiuti, DRUGSAGE ha comunque battuto tutti gli altri agenti AI di punta.
Prestazioni in Team: Quando ha potuto utilizzare la sua memoria da 16 compiti più piccoli per aiutare con 17 nuovi compiti più difficili, ha schiacciato la concorrenza.
La Grande Vittoria: Nella modalità "Zero-Ricerca" (dove copia semplicemente le soluzioni passate senza testare), ha superato altri agenti a cui era stato concesso di passare ore a cercare risposte. È stato dal 10% al 30% migliore della concorrenza, anche se la concorrenza lavorava molto più duramente.

In Sintesi

DRUGSAGE è un'AI che impara ad imparare. Invece di trattare ogni problema di scoperta di farmaci come un nuovo inizio, tratta ogni problema come una lezione che rende il successivo più facile. Costruisce una libreria di "abilità verificate" e "soluzioni collaudate", permettendogli di risolvere problemi farmacologici complessi più velocemente, a costi inferiori e con maggiore precisione rispetto a qualsiasi sistema precedente.

Riepilogo Tecnico: DRUGSAGE

Enunciato del Problema

Costruire modelli predittivi all'avanguardia (SOTA) per la scoperta di farmaci è un problema di ricerca costoso. Gli attuali agenti basati su Modelli Linguistici di Grande Dimensione (LLM) possono raggiungere prestazioni SOTA esplorando estensivamente strumenti, architetture e strategie di addestramento. Tuttavia, questi agenti trattano tipicamente ogni compito come un problema isolato, scartando tutta l'esperienza di ricerca accumulata (ad esempio, featurizzazioni efficaci, ricette di addestramento o correzioni di errori) una volta completato il compito. Di conseguenza, devono sostenere l'intero costo computazionale e di token per la ricerca per ogni nuovo compito, rendendo difficile scalare lo sviluppo di modelli SOTA attraverso le migliaia di problemi di previsione diversi presenti nella scoperta di farmaci.

Metodologia

Gli autori propongono DRUGSAGE (Self-evolving AGent Experience), un framework progettato per accumulare e riutilizzare l'esperienza tra i compiti per costruire in modo efficiente modelli SOTA per la scoperta di farmaci. Il sistema opera attraverso tre componenti principali:

1. Libreria di Abilità Esecutiva ( $K$ )

Prima dell'inizio della ricerca con budget, un Agente Esploratore costruisce una libreria di abilità condivisa cercando nella letteratura e nei repository GitHub. Questo processo comporta:

Scoperta: Interrogazione della letteratura da molteplici prospettive esperte per identificare paper e repository pertinenti.
Fondazione: Clonazione dei repository ed estrazione di snapshot dell'Albero Sintattico Astratto (AST) per garantire che l'LLM utilizzi solo simboli osservati nel codice.
Validazione: Esecuzione di controlli a livelli (sintassi, risoluzione delle importazioni, esecuzione end-to-end in sandbox) con riparazione automatica. Solo le abilità validate vengono aggiunte a $K$ .

2. Memoria di Esperienza Trans-Task ( $Z$ )

DRUGSAGE mantiene una memoria persistente $Z = (R, H, Q)$ che archivia evidenze da compiti precedenti:

Memoria delle Soluzioni ( $R$ ): Registra le prestazioni di famiglie di modelli e soluzioni specifiche attraverso diversi compiti, inclusi architettura, iperparametri e punteggi di validazione.
Memoria di Raffinamento ( $H$ ): Archivia informazioni sugli archi nell'albero di ricerca, inclusi gli editing proposti dall'LLM, le motivazioni e i delta di prestazioni tra nodi genitori e figli.
Memoria di Esecuzione ( $Q$ ): Registra i fallimenti di esecuzione, le correzioni verificate, i profili delle risorse (tempo di esecuzione/memoria) e le tracce dell'ambiente per consentire riparazioni rapide durante esecuzioni future.

3. Ricerca Condizionata dall'Esperienza

Il ciclo di ricerca principale utilizza una Ricerca ad Albero Monte Carlo (MCTS) Potenziata dalla Memoria quando è disponibile un budget di ricerca ( $B > 0$ ). La memoria $Z$ guida quattro fasi:

Selezione della Radice: Utilizza una regola Upper Confidence Bound (UCB) potenziata dalla memoria per selezionare le famiglie di modelli, bilanciando le prestazioni del compito corrente con i punteggi di trasferimento storici. Gli autori dimostrano che questa modifica preserva il limite di rimorso $O(|F| \log T)$ dell'UCB standard.
Campionamento del Genitore: Seleziona soluzioni genitoriali specifiche da espandere in base alle prestazioni del compito target, alla larghezza di espansione e alle prestazioni storiche.
Generazione del Figlio: L'LLM propone editing fondati su $H$ , recuperando motivazioni pertinenti e ricette di successo da compiti passati simili.
Esecuzione e Riparazione: Utilizza $Q$ per preparare gli ambienti e applicare correzioni verificate immediatamente al verificarsi di errori noti.

4. Ricerca a Tempo Zero di Test (DRUGSAGE-ZERO)

Quando il budget di ricerca è zero ( $B=0$ ), il sistema bypassa completamente la ricerca. Forma una firma del compito (tipo di compito, metrica, dimensione del dataset, embedding della descrizione) per identificare compiti analoghi nella memoria $Z$ . Recupera la soluzione verificata migliore dal compito storico più simile e la distribuisce direttamente sul nuovo target.

Contributi Chiave

Design del Framework: Introduzione di DRUGSAGE, un agente autonomo che integra la memoria trans-task in un ciclo di ricerca basato su MCTS. Gli autori forniscono una garanzia formale che la politica di selezione potenziata dalla memoria preserva il limite di rimorso dell'UCB standard.
Scoperta Automatica delle Abilità: A differenza di lavori precedenti (ad esempio Autoresearch) che affinano soluzioni fornite dall'utente o modelli leader delle classifiche, DRUGSAGE costruisce automaticamente una libreria di abilità cercando letteratura e repository, eliminando la necessità di punti di partenza curati dall'uomo e ampliando lo spazio di ricerca.
Efficienza a Tempo Zero di Test: Dimostrazione che la memoria trans-task abilita un regime di "ricerca a tempo zero di test". DRUGSAGE-ZERO trasferisce soluzioni verificate a nuovi compiti senza alcuna ricerca a tempo di test, superando gli agenti di base che eseguono 20 iterazioni di ricerca.

Risultati Sperimentali

Il framework è stato valutato su 33 compiti di previsione di proprietà molecolari attraverso due benchmark: Therapeutic Data Commons (TDC) e Polaris Hub.

Setting a Singolo Compito: In un setting in cui gli agenti costruiscono soluzioni da zero senza memoria trans-task, DRUGSAGE si è classificato primo tra nove agenti SOTA (inclusi Autoresearch, STELLA e Biomni) con un rango medio di 1.95 e 10 vittorie su 22 compiti.
Setting Trans-Task: Utilizzando la memoria accumulata da 16 compiti più piccoli, DRUGSAGE è stato valutato su 17 compiti tenuti da parte.
- DRUGSAGE-ZERO ( $B=0$ ): Ha raggiunto un punteggio normalizzato medio di 0.935 su 17 compiti tenuti da parte, superando tutti gli agenti di base (che utilizzavano fino a 20 passaggi di ricerca) del 10–30%.
- Efficienza: DRUGSAGE-ZERO ha sostenuto costi API LLM quasi nulli a tempo di test, mentre le basi richiedevano notevoli risorse computazionali e budget di token per la ricerca iterativa.
- Prestazioni: In casi specifici (ad esempio, Solubilità e Inibizione CYP2D6), la soluzione di trasferimento zero-shot ha superato la versione a ricerca completa di DRUGSAGE, suggerendo che la strategia trasferita era superiore a quanto l'agente avrebbe potuto scoprire da zero entro il budget.

Significato e Affermazioni

Il paper afferma che DRUGSAGE dimostra il vantaggio distintivo della memoria trans-task per lo sviluppo efficiente di modelli SOTA nella scoperta di farmaci. Trattando ogni compito come un'esperienza che arricchisce l'agente per i compiti futuri, il sistema restringe lo spazio di ricerca e può, in alcuni casi, bypassare completamente la ricerca. Il lavoro evidenzia che molti compiti di scoperta di farmaci condividono similarità strutturali (struttura input/output, esigenze di featurizzazione) che gli attuali agenti trascurano, e che l'accumulo di abilità verificate ed evidenze statistiche consente un adattamento rapido a nuovi problemi senza sostenere l'intero costo del trial-and-error iterativo. Gli autori notano che, sebbene il framework sia testato principalmente sulla scoperta di farmaci, l'approccio di accumulare esperienza strutturata trans-task potrebbe essere generalizzato ad altre aree della ricerca scientifica.