🧬 biology

SEISMO: Increasing Sample Efficiency in Molecular Optimization with a Trajectory-Aware LLM Agent

Het paper introduceert SEISMO, een LLM-agent die de sample-efficiëntie in moleculaire optimalisatie aanzienlijk verbetert door elke aanpassing te baseren op de volledige optimalisatietrajectuur en domeinkennis, wat resulteert in een 2-3 keer hogere prestatie dan bestaande methoden.

Oorspronkelijke auteurs: Fabian P. Krüger, Andrea Hunklinger, Adrian Wolny, Tim J. Adler, Igor Tetko, Santiago David Villalba

Gepubliceerd 2026-02-19

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Fabian P. Krüger, Andrea Hunklinger, Adrian Wolny, Tim J. Adler, Igor Tetko, Santiago David Villalba

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Stel je voor dat je een meester-kok bent die probeert het perfecte recept voor een nieuwe soep te vinden. Je wilt dat deze soep niet alleen ontzettend lekker is (de "werkzaamheid" van het medicijn), maar ook gezond is voor je maag (de "veiligheid" of drug-likeness) en dat het een volledig nieuw recept is dat nog nooit eerder is uitgegeven.

Het probleem? Er zijn meer dan 10^60 mogelijke recepten (moleculen). Dat is meer dan het aantal zandkorrels op alle stranden ter wereld. Je kunt ze niet allemaal uitproberen. En elke keer dat je een nieuwe soep probeert, moet je die laten proeven door een dure, trage "proefpersoon" (het oracle). Dit proces kost tijd en geld.

SEISMO is een nieuwe, slimme manier om dit recept te vinden, ontwikkeld door onderzoekers van onder andere TUM en Bayer. In plaats van blindelings duizenden recepten te proberen, gebruikt SEISMO een AI-assistent (een Large Language Model) die werkt als een superervaren chef-kok.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Blinddoek" vs. De "Gids"

Bij oude methoden (zoals genetische algoritmen) was de chef-kok vaak een beetje blind. Hij probeerde een recept, de proefpersoon zei: "Niet lekker, score 3/10." De chef probeerde dan een heel nieuwe variant, zonder echt te begrijpen waarom het niet lekker was. Hij moest duizenden pogingen doen om toevallig iets lekkers te vinden.

SEISMO doet het anders. Het is als een chef-kok die een gesprek voert met de proefpersoon.

De Chef (SEISMO): "Ik probeer een soep met tomaten en basilicum."
De Proefpersoon (Oracle): "Niet lekker. Score 3/10. De tomaten zijn te zuur en de basilicum is verbrand."
De Chef: "Ah! Dus ik moet minder citroensap gebruiken en de basilicum later toevoegen."

SEISMO onthoudt elke eerdere poging en elke reden waarom iets wel of niet werkte. Het bouwt een verhaal op. De volgende keer dat hij een recept bedenkt, kijkt hij naar het hele verleden: "Aha, vorige keer werkte het niet omdat de tomaten te zuur waren, en daarvoor werkte het wel met komkommer. Laten we een nieuwe versie proberen met komkommer en minder citroen."

2. Waarom is dit zo snel? (De "Traject-bewuste" Agent)

De naam SEISMO staat voor Sample-Efficient Inference-Stage Molecular-Optimization. Dat klinkt ingewikkeld, maar het betekent simpelweg: "We leren van elke stap die we zetten, direct."

Oude methode: Je doet een hele bak met 100 nieuwe soepen. Je proeft ze allemaal. Dan pas beslis je wat je de volgende keer doet. Dat kost veel tijd en geld.
SEISMO: Je doet één soep. Je proeft het. Je leert er direct iets van. Je doet de volgende soep direct op basis van die ene les. Je hoeft geen grote bakken te vullen om iets te leren.

In de proefjes in het artikel bleek dat SEISMO vaak al binnen 50 pogingen (in plaats van duizenden) een bijna perfect recept had gevonden. Dat is als het vinden van de perfecte soep in 50 minuten, terwijl anderen uren nodig hebben.

3. De Kracht van Uitleg (Het "Waarom")

Het meest interessante aan SEISMO is dat het niet alleen kijkt naar het cijfer (bijv. "3/10"), maar ook naar de uitleg.
Stel je voor dat de proefpersoon zegt: "Niet lekker." Dat helpt niet veel.
Maar als de proefpersoon zegt: "Niet lekker, omdat de tomaten te zuur zijn en de komkommer te groot gesneden is," dan kan de chef-kok precies weten wat hij moet aanpassen.

In het onderzoek zagen ze dat SEISMO veel sneller leerde als het deze gedetailleerde uitleg kreeg. Het kon de "chemische logica" van de soep begrijpen: "Oh, als ik deze groep atomen toevoeg, wordt het medicijn effectiever, maar als ik die andere toevoeg, wordt het giftig."

4. Wat betekent dit voor de echte wereld?

Voor de farmaceutische industrie is dit een revolutie. Het vinden van nieuwe medicijnen is momenteel een dure en tijdrovende zoektocht.

Vroeger: Je moest duizenden experimenten doen, wat miljoenen euro's kost en jaren duurt.
Met SEISMO: Je kunt met een paar dozijn experimenten al een heel veelbelovend medicijnontwerp hebben. Dit bespaart enorme bedragen en versnelt het proces om nieuwe medicijnen op de markt te brengen voor ziektes zoals kanker of virussen.

Samenvattend in één zin:

SEISMO is een slimme AI-chef die niet blindelings duizenden recepten probeert, maar elke keer dat hij een fout maakt, de reden ervan leest en die les direct toepast op de volgende poging, waardoor hij in een handomdraai het perfecte medicijnontwerp vindt.

Probleemstelling

Het optimaliseren van molecuulstructuren om gewenste eigenschappen te bereiken (zoals bindingsaffiniteit of drug-achtigheid) is een fundamentele bottleneck in de chemische wetenschappen, met name in de farmaceutische industrie. Het grootste probleem is de sample-efficiëntie:

De chemische ruimte is enorm (geschat op $10^{60}$ mogelijke moleculen).
Echte evaluaties (experimenten) zijn duur, tijdrovend en hebben een lage doorvoer.
Bestaande methoden (zoals Reinforcement Learning, genetische algoritmen en Bayesiaanse optimalisatie) vereisen vaak duizenden evaluaties ("oracle calls") om tot goede resultaten te komen. Ze werken vaak in batches, wat betekent dat ze een volledige populatie moeten evalueren voordat ze hun strategie kunnen aanpassen. Dit is inefficiënt wanneer evaluaties beperkt zijn.

Methodologie: SEISMO

De auteurs introduceren SEISMO (Sample-Efficient Inference-Stage Molecular-Optimization agent), een LLM-agent die strikt online en inference-time optimaliseert. In tegenstelling tot traditionele methoden die een beleid leren of een populatie onderhouden, fungeert de LLM zelf als de optimalisator.

Kernprincipes:

Traject-bewustzijn (Trajectory-Aware): De agent conditioneert elk nieuw voorstel op de volledige geschiedenis van het optimalisatietraject. Na elke evaluatie wordt de conversatiegeschiedenis (voorgestelde moleculen, scores en feedback) direct bijgewerkt. Dit elimineert de wachttijd voor batch-updates.
Informatie-integratie: SEISMO gebruikt niet alleen een scalar score, maar integreert drie lagen van informatie:
- Natuurlijke taalbeschrijving: De taak en doelstellingen worden expliciet in de prompt beschreven.
- Scalar scores: De numerieke resultaten van de evaluatie.
- Gestructureerde uitleg (Explanations): Waar mogelijk worden post-hoc uitlegmethode (zoals SHAP voor feature-attributie) gebruikt om te verklaren waarom een molecuul een bepaalde score kreeg (bijv. welke substructuren de activiteit verhoogden of verlaagden).
Werkstroom:
- De agent genereert een SMILES-string en een redenering in een gestructureerd JSON-formaat.
- Validatie (via RDKit) zorgt voor geldige moleculen.
- Een "Oracle" (simulatie of voorspellingsmodel) levert de score en uitleg.
- Deze feedback wordt direct aan de LLM-context toegevoegd voor de volgende iteratie.

Belangrijkste Bijdragen

Paradigmaverschuiving: SEISMO behandelt optimalisatie als een sequentieel beslissingsproces binnen de context van een LLM, in plaats van als een zwarte doos-zoektocht of een populatie-gedreven proces.
Gebruik van Uitleg (XAI): Het paper demonstreert voor het eerst dat post-hoc uitlegmethoden (XAI) niet alleen voor menselijke interpretatie dienen, maar als directe besturingssignalen voor een machine kunnen fungeren om de zoekrichting te sturen.
Geen training nodig: Het systeem vereist geen fine-tuning of training van het LLM-model; het maakt gebruik van de bestaande, voorgeprogrammeerde chemische kennis in het model.

Resultaten

De auteurs evalueerden SEISMO op drie niveaus:

PMO Benchmark (23 taken):
- SEISMO behaalde een 2 tot 3 keer hogere "Area Under the Optimization Curve" (AUC) dan bestaande baselines (zoals REINVENT, Graph-GA, en GP-BO).
- Het bereikte vaak bijna-maximale scores binnen slechts 50 oracle calls, terwijl andere methoden duizenden calls nodig hebben om vergelijkbare resultaten te bereiken.
- Zelfs wanneer baselines 10.000 calls kregen, bleef SEISMO (beperkt tot 50 calls) vaak beter presteren in termen van vroege ontdekking.
Impact van Informatieniveau:
- Beschrijving is cruciaal: Zonder een duidelijke taakbeschrijving in de prompt stortte de prestatie in.
- Uitleg verbetert efficiëntie: Varianten met "volledige uitleg" (uitleg voor alle sub-scores) presteerden significant beter dan varianten zonder uitleg of met slechts gedeeltelijke uitleg. Dit bewijst dat de agent leert van de oorzaak-gevolgrelaties in de feedback.
Co-folding Oracle (Boltz-2):
- In een experiment met een dure, expressieve oracle voor eiwit-ligand binding (zonder bekende binders), bleek SEISMO in staat om de bindingswaarschijnlijkheid te verhogen.
- Interessant genoeg hielp het verstrekken van de eiwitsequentie alleen niet; de toevoeging van uitleg over welke aminozuurresten dicht bij het molecuul lagen, was essentieel voor verbetering.

Betekenis en Conclusie

SEISMO toont aan dat het benutten van de vooraf bestaande kennis (inductieve bias) in grote taalmodellen, gecombineerd met rijke, gestructureerde feedback, leidt tot een radicale verbetering in sample-efficiëntie.

Praktische toepassing: Voor scenarios waar evaluaties duur zijn (bijv. experimenten of complexe simulaties), kan SEISMO de kosten drastisch verlagen door sneller tot hoge kwaliteit oplossingen te komen.
Toekomstperspectief: Omdat de methode geen training vereist, schaalt deze natuurlijk mee met de verbetering van LLM's. Naarmate modellen beter worden in chemisch redeneren en causale inferentie, zal het optimalisatiekader van SEISMO automatisch krachtiger worden.

Samenvattend positioneert dit werk informatie-bewuste, traject-geconditioneerde LLM-agenten als een praktisch en superieur framework voor moleculaire optimalisatie in regio's waar evaluatiebudgetten beperkt zijn.