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

Het artikel introduceert "My Chemical Harness", een route-native evolutionair framework dat grote taalmodellen inzet als hoogwaardige strategische controllers om de constructie van uitvoerbare synthetische paden vanuit bouwstenen te sturen, waardoor het een state-of-the-art prestatie op het gebied van moleculair ontwerp bereikt zonder hallucinaties of de noodzaak voor modelfine-tuning.

De kern

Stel je voor dat je een nieuw, super effectief medicijn probeert uit te vinden. In het verleden probeerden wetenschappers (of AI) eerst een perfecte moleculaire vorm te bedenken, zoals het schetsen van een auto in een droom. Daarna probeerden ze uit te rekenen hoe ze die auto daadwerkelijk in een fabriek konden bouwen. Vaak was de gedroomde auto onmogelijk te bouwen omdat de onderdelen niet bestonden of de assemblage-instructies nergens op sloegen.

"My Chemical Harness" is een nieuwe manier om dit aan te pakken. In plaats van eerst de afgewerkte auto te dromen, begint dit systeem bij de assemblage-instructies en de onderdelencatalogus.

Zo werkt het, met behulp van eenvoudige analogieën:

1. De zoektocht gaat om "recepten", niet alleen om "taarten"

De meeste AI probeert de uiteindelijke taart (het molecuul) te raden en hoopt dan dat hij lekker smaakt. Dit systeem behandelt elke kandidaat echter als een recept.

• De ingrediënten: Een lijst met echt verkrijgbare chemicaliën (zoals bloem, suiker, eieren).
• De stappen: Een lijst met echte, bewezen kookmethoden (zoals "mengen", "bakken", "vouwen").
• De regel: Je mag alleen een recept schrijven als je de ingrediënten ook echt kunt kopen en als de stappen fysiek mogelijk zijn in een keuken.

Als een recept vraagt om "magisch stof" of een stap die de keuken in brand steekt, wijst het systeem dit direct af. De "zoektocht" zoekt niet naar een vorm; het zoekt naar de beste volgorde van stappen om een nuttig product te maken.

2. De AI is de "Chef Manager", niet de "Kok"

Dit is het belangrijkste deel van het paper. De Large Language Model (de AI) is niet toegestaan om zomaar een willekeurig molecuul op te schrijven. Dat zou zijn alsof je een chef vraagt om een nieuw gerecht uit te vinden zonder te weten welke ingrediënten er in de voorraadkast liggen.

In plaats daarvan fungeert de AI als een Strategie Manager:

• Het kijkt naar de huidige "recepten" in de database.
• Het bepaalt een plan: "Laten we proberen de suiker te vervangen door honing," of "Laten we een bakmethode proberen die we nog niet veel hebben gebruikt," of "Laten we de recepten kort houden."
• Het geeft de computer de opdracht: "Ga deze specifieke wijzigingen proberen."

De AI "kookt" het molecuul nooit zelf. Het geeft alleen instructies op hoog niveau.

3. De "Robotkeuken" doet het echte werk

Zodra de AI-manager een plan heeft gemaakt, neemt een deterministische robotkeuken (lokale code) het stokje over. Deze robot:

• Controleert of de ingrediënten daadwerkelijk bestaan.
• Volgt de stappen exact op om te zien of het recept werkt.
• Bouwt het molecuul.
• Test of het eindproduct goed is (bindt het aan de doelziekte?).
• Gooit elk recept weg dat mislukt of een duplicaat produceert.

Deze scheiding is cruciaal. Als de AI hallucineert (dingen verzint), vangt de robotkeuken dit direct op, omdat het recept dan niet zal werken. De AI stuurt de richting aan, maar de robot zorgt voor de realiteit.

4. Leren van fouten (De "Reflectie"-lus)

Het systeem maakt gebruik van een slimme lus genaand "Reflection".

1. Proberen: De AI stelt een strategie voor, en de robot probeert 1.000 recepten.
2. Beoordelen: De robot vertelt de AI: "Hé, je idee om 'honing' te gebruiken werkte geweldig, maar 'bakken op 500 graden' mislukte elke keer."
3. Aanpassen: De AI leest dit rapport, leert ervan en verandert haar strategie voor de volgende 1.000 recepten.
4. Herhalen: Dit gebeurt steeds opnieuw, waardoor het systeem met elke ronde slimmer wordt.

Wat hebben ze gevonden?

De onderzoekers testten dit op een specifiek enzymdoel (sEH) en een reeks standaard uitdagingen in het medicijnontwerp.

• Betere resultaten: Hun systeem vond betere moleculen dan systemen die eerst alleen de vorm raden, of systemen die geen gebruik maken van het "reflectievermogen" van de AI.
• Makkelijker te bouwen: De gevonden moleculen waren niet alleen effectief, maar ook veel gemakkelijker te synthetiseren (bouwen) in een laboratorium.
• Geen training nodig: De AI hoefde niet opnieuw getraind of onderwezen te worden in chemie. Het gebruikte simpelweg zijn bestaande kennis om als een slimme manager voor de robotkeuken te fungeren.

De Kernboodschap

Beschouw dit systeem als een team waarbij de AI de ervaren projectmanager is en de code de nauwkeurige bouwploeg. De manager bepaalt waar te zoeken en wat te proberen, maar de ploeg zorgt ervoor dat elke bouwsteen echt is en elke stap veilig is. Dit voorkomt dat de AI onmogelijke dingen droomt en zorgt ervoor dat de uiteindelijke ontdekkingen ook daadwerkelijk in de echte wereld gebouwd kunnen worden.

Technische samenvatting

Technische Samenvatting: My Chemical Harness

Probleemstelling
De centrale uitdaging in de ontdekking van geneesmiddelen en materialen is het ontwerpen van moleculen met doelgerichte chemische eigenschappen die ook synthetisch toegankelijk zijn. Hoewel recente vooruitgang in generatieve modellen (transformers, diffusiemodellen) succes heeft getoond bij het bemonsteren van nieuwe moleculaire structuren, produceren ze vaak kandidaten die een levensvatbare synthetische route missen. Traditionele benaderingen genereren doorgaans eerst moleculaire structuren en proberen vervolgens achteraf (a posteriori) een verbinding te leggen met synthetiseerbare paden, of ze behandelen synthetiseerbaarheid als een externe strafmaatstaf. Dit artikel betoogt dat moleculair ontwerp direct geformuleerd moet worden als een zoektocht over uitvoerbare synthetische paden, waarbij het kandidaat-object het route zelf is, en niet enkel de uiteindelijke moleculaire graaf.

Methodologie: My Chemical Harness
De auteurs introduceren "My Chemical Harness", een route-native evolutionair framework dat Large Language Models (LLM's) integreert als strategische controllers binnen een deterministische chemische pijplijn. Het systeem werkt als een genetisch algoritme waarbij de populatie bestaat uit uitvoerbare synthetische routes in plaats van geïsoleerde moleculen.

• Representatie van de Zoekruimte: De zoekruimte wordt gedefinieerd door een bibliotheek van koopbare bouwstenen ($B$), een set reactietemplates ($R$) weergegeven als SMARTS-patronen, en een compatibiliteitsmatrix ($M$). Een kandidaat is een route $r = (s_1, \dots, s_L)$, een sequentie van geïnstantieerde reactiestappen. Het "genotype" is de route, en het "fenotype" is het uiteindelijke productmolecuul verkregen door de route uit te voeren met deterministische tools (bijv. RDKit).
• Rol van de LLM als Strategische Controller: De LLM wordt expliciet beperkt om geen moleculen of reactiestappen direct te genereren om hallucinaties te voorkomen. In plaats daarvan fungeert het als een hoogwaardige planner die voorkeuren voor de zoektocht selecteert, zoals routelengte, typen bewegingen (bijv. substitutie, extensie), reactiefamilies en exploratiedruk.
• Deterministische Executie: Lokale code verzorgt al het zware werk: het bemonsteren van compatibele reactanten, het valideren van reactieslots, het uitvoeren van RDKit-transformaties, het verwijderen van duplicaten en het scoren van producten met taakspecifieke oracles.
• Reflectieve Optimalisatielus: Het framework maakt gebruik van een "reflectief" iteratieproces:
  1. Context Assemblage: Het systeem verzamelt eilandgeheugen (geschiedenis van succesvolle/mislukte routes).
  2. Planning: De LLM stelt een zoekstrategie voor op basis van de taak en de context.
  3. Eerste Pass: Lokale code voert de strategie uit, waarbij kandidaten worden gegenereerd en gescoord.
  4. Reflectie: De LLM beoordeelt de resultaten (successen, mislukkingen, motieven) en herziet de strategie voor de resterende budget.
  5. Tweede Pass & Selectie: De herziene strategie wordt uitgevoerd en de beste kandidaten worden toegevoegd aan de populatie.
  6. Leren: De LLM genereert een rapport om toekomstige iteraties te begeleiden.

Belangrijkste Bijdragen

1. Route-Native Evolutionaire Zoektocht: Het artikel stelt een paradigmaverschuiving voor waarbij het genetische algoritme opereert op uitvoerbare syntheseprogramma's (routes), waardoor synthetiseerbaarheid structureel onderdeel wordt van de zoekruimte in plaats van een achteraf opgelegde beperking.
2. Beperkte LLM-integratie: Het demonstreert een "harness"-architectuur waarbij LLM's de exploratie sturen via hoogwaardige strategie zonder directe toegang tot chemische generatie, waardoor het risico op gehallucineerde producten of niet-onderbouwde reactiestappen wordt geëlimineerd.
3. Reflectief Agent-mechanisme: De introductie van een reflectiestap halverwege de iteratie stelt de LLM in staat om de zoekstrategie aan te passen op basis van directe feedback van de deterministische chemische engine, wat de allocatie van de zoekinspanning verbetert.

Resultaten
Het framework werd geëvalueerd op twee benchmarks:

• Soluble Epoxide Hydrolase (sEH) Proxy: De reflectieve LLM-agent bereikte state-of-the-art prestaties vergeleken met deterministische controllers en niet-reflectieve LLM-baselines. Het behaalde een top-1000 gemiddelde sEH-score van $0.984 \pm 0.005$, de laagste Synthetic Accessibility (SA) score van $1.996 \pm 0.027$, en de hoogste AiZynthFinder succesratio van $0.994 \pm 0.004$. De reflectieve agent slaagde erin chemisch interpreteerbare motieven (bijv. ureum- en amidegroepen) te verrijken die consistent zijn met bekende sEH-remmerchemie.
• Therapeutics Data Commons (TDC) Oracles: De methode werd toegepast op 13 diverse moleculaire design-oracles. De reflectieve LLM-aanpak presteerde beter dan baseline synthese-beperkte methoden (ReaSyn, SynthesisNet, SynNet) op verschillende targets, waaronder amlodipine_mpo (0.6436 vs. 0.620) en sitagliptin_mpo (0.4522 vs. 0.314), wat de generaliseerbaarheid van de strategische controle over verschillende optimalisatieobjectieven aantoont.

Betekenis en Claims
Het artikel beweert dat beperkte LLM-agenten een belangrijke rol kunnen spelen in de ontdekking van moleculen zonder dat training, fine-tuning of dedicated generatieve modellen vereist zijn. De primaire waarde van de LLM wordt geïdentificeerd als adaptieve prioritering over een beperkte synthetische actieruimte. Door de strategische rol van de LLM te scheiden van de deterministische uitvoering van de chemie, bereikt het systeem een balans waarbij de LLM de zoektocht naar veelbelovende regio's in de chemische ruimte stuurt, terwijl lokale tools de chemische realiteit en validiteit afdwingen. De auteurs concluderen dat deze aanpak de rationele design van synthetiseerbare medicijnen en moleculair geïmpregneerde polymeren faciliteert, wat een betrouwbaar, controleerbaar en hallucinatievrij pad biedt voor AI-ondersteunde wetenschappelijke ontdekking.