Mozi: Governed Autonomy for Drug Discovery LLM Agents

O artigo apresenta o Mozi, uma arquitetura de dupla camada que combina raciocínio generativo livre com execução estruturada e supervisão rigorosa para habilitar agentes de LLM confiáveis e auditáveis na descoberta de medicamentos, superando desafios de governança de ferramentas e acumulação de erros em pipelines de longo prazo.

O essencial

Imagine que você quer descobrir uma nova medicina para curar uma doença complexa. Antigamente, isso era como tentar encontrar uma agulha em um palheiro gigante, usando apenas a força bruta e a intuição de cientistas humanos. Era lento, caro e cheio de erros.

Hoje, temos Inteligência Artificial (IA) que pode ler milhões de artigos e simular milhões de moléculas. Mas há um problema: essas IAs são como crianças superinteligentes, mas muito distraídas. Elas podem alucinar (inventar fatos), esquecer o que fizeram há 10 minutos e, pior, podem "quebrar" o laboratório virtual se tentarem usar ferramentas que não sabem operar.

É aqui que entra o Mozi.

O Mozi não é apenas mais um robô conversador. Pense nele como um Chefe de Obra Experiente que gerencia uma equipe de especialistas. O nome vem de Mozi, um filósofo chinês antigo conhecido por sua lógica e ética, o que combina perfeitamente com a ideia de uma IA que segue regras estritas para não cometer erros.

Aqui está como o Mozi funciona, usando analogias do dia a dia:

1. O Problema: A "Fábrica de Ilusões"

Antes do Mozi, as IAs científicas funcionavam como um funcionário solitário tentando fazer tudo sozinho. Ele lia um livro, tentava desenhar uma molécula, depois tentava testá-la. Se ele cometesse um erro no começo (como escolher o livro errado), todos os passos seguintes seriam inúteis. Era como tentar construir uma casa começando pelo telhado: se a base estiver torta, a casa cai.

2. A Solução: O Mozi com "Dois Andares"

O Mozi resolve isso dividindo o trabalho em dois andares (camadas), como um prédio de escritórios muito organizado:

O 1º Andar: O Gerente de Controle (O Chefe)

Imagine um gerente de escritório muito rigoroso. Ele não deixa os funcionários fazerem o que querem.

• O que ele faz: Ele recebe a ordem do cliente ("Precisamos de um remédio para Parkinson") e divide o trabalho em tarefas pequenas e seguras.
• A Regra de Ouro: Ele diz: "Você, o pesquisador, só pode ler livros. Você, o químico, só pode testar moléculas. Ninguém pode misturar as coisas ou pular etapas."
• O "Espelho" (Reflexão): Se o funcionário comete um erro, o gerente não deixa continuar. Ele para, olha para o que aconteceu, diz: "Isso não está certo, vamos tentar de novo" e reorganiza o plano. Isso evita que um pequeno erro se transforme em um desastre gigante.

O 2º Andar: A Linha de Montagem (O Trabalho Real)

Aqui é onde a mágica acontece, mas de forma estruturada. Imagine uma linha de montagem de carros, onde cada estação tem uma tarefa específica e uma "caixa de ferramentas" limitada.

• Passo 1 (Identificar o Inimigo): O sistema lê milhares de artigos para encontrar qual proteína está causando a doença.
• Passo 2 (Encontrar a Chave): Ele tenta desenhar moléculas que se encaixem perfeitamente nessa proteína (como uma chave na fechadura).
• Passo 3 (Melhorar o Design): Ele pega as melhores "chaves" e as modifica para torná-las mais fortes e seguras.
• O "Freio de Segurança": Em momentos críticos, a linha de montagem para. Um cientista humano (o especialista) olha o trabalho e diz: "Sim, isso parece bom, pode continuar" ou "Não, isso é perigoso, vamos recuar". Isso garante que a IA não invente algo que possa matar alguém.

3. A Grande Vantagem: "Não Quebre o Laboratório"

O Mozi foi feito para lidar com o caos.

• Analogia do Trânsito: Se você deixa um carro autônomo dirigir em uma cidade sem regras, ele vai bater em tudo. O Mozi coloca o carro em uma pista de corrida com barreiras de proteção. Ele pode correr muito rápido (explorar milhões de possibilidades), mas se tentar sair da pista, as barreiras o seguram.
• Rastreabilidade: Se algo der errado, o Mozi deixa um rastro de papel digital. Você pode olhar exatamente qual passo foi errado, quem fez e por quê. Isso é crucial na ciência, onde você precisa provar que seus resultados são reais.

4. O Resultado na Prática

Os autores testaram o Mozi em três doenças reais:

1. Doença de Crohn: O sistema encontrou alvos e criou moléculas novas.
2. Parkinson: O sistema teve que lidar com um problema de toxicidade (o remédio matava as células do fígado). O Mozi percebeu o erro, parou, e reorientou a busca para encontrar uma molécula que fosse segura para o cérebro e para o fígado.
3. Sepse: O sistema lidou com falhas de computador (quando um teste travou) sem parar todo o projeto, apenas ignorando o erro e continuando.

Resumo Final

O Mozi transforma a Inteligência Artificial de um "conversador charmoso, mas imprevisível" em um "co-cientista confiável e governado".

Ele não substitui o cientista humano; ele é o assistente perfeito que faz o trabalho sujo, organiza os dados, segue as regras de segurança e espera a aprovação do humano nos momentos decisivos. É como ter um estagiário que nunca dorme, nunca esquece uma regra de segurança e nunca inventa dados, mas que ainda precisa da sua assinatura para liberar o próximo passo.

Isso acelera a descoberta de remédios, tornando o processo mais rápido, mais barato e, acima de tudo, mais seguro.

Resumo técnico

Título: Mozi: Autonomia Governada para Agentes LLM na Descoberta de Fármacos

1. Problema e Motivação

A descoberta de fármacos é um processo complexo, demorado e caro, que envolve múltiplas etapas interdependentes (identificação de alvos, triagem, otimização de leads, etc.). Embora os Modelos de Linguagem (LLMs) e agentes autônomos tenham mostrado potencial para acelerar tarefas isoladas, sua aplicação em pipelines de descoberta de fármacos de alto risco enfrenta duas barreiras críticas:

1. Governança de Uso de Ferramentas Desrestrita: Agentes LLM genéricos tendem a sofrer de "alucinações" ao usar ferramentas, gerando parâmetros inválidos ou violando procedimentos operacionais padrão (SOPs), o que é inaceitável em ambientes regulados.
2. Baixa Confiabilidade em Longo Prazo (Long-Horizon Reliability): Em pipelines dependentes de dependências, erros iniciais (como uma seleção incorreta de alvo) multiplicam-se, levando a falhas downstream irreproduzíveis. A flexibilidade dos agentes muitas vezes se torna uma liability, impedindo a adoção em ambientes corporativos que exigem auditabilidade e segurança.

O objetivo do Mozi é reconciliar a flexibilidade do raciocínio dos LLMs com o rigor determinístico exigido pela biologia computacional e pela indústria farmacêutica.

2. Metodologia: Arquitetura de Duas Camadas

O Mozi introduz uma arquitetura inovadora de duas camadas simbióticas que separa o raciocínio não estruturado da execução estruturada:

Camada A: Plano de Controle (Control Plane)

Atua como o motor de governança e orquestração hierárquica.

• Agente Supervisor e Trabalhadores: Implementa uma hierarquia Supervisor-Trabalhador. O Supervisor planeja tarefas de alto nível e monitora restrições, enquanto Trabalhadores especializados (ex: Pesquisa, Computação) executam tarefas específicas.
• Governança Baseada em Funções: Enforce isolamento de ferramentas baseado em permissões (ex: um agente de pesquisa não pode acionar simulações de docking caras).
• Loop de Reflexão e Replanejamento: Utiliza um mecanismo de reflexão (auto-correção) para avaliar o progresso. Se um passo falhar ou gerar informações insuficientes, o Supervisor dispara um replanejamento dinâmico em vez de continuar cegamente.
• Rastreabilidade: Mantém um histórico auditável de todas as decisões e ações.

Camada B: Plano de Fluxo de Trabalho (Workflow Plane)

Operacionaliza os protocolos científicos canônicos como Gráficos de Habilidade (Skill Graphs) com estado.

• Gráficos de Habilidade Compostos: Transforma etapas da descoberta de fármacos (Identificação de Alvo, Identificação de "Hits", Otimização de Leads) em Grafos Acíclicos Direcionados (DAGs) com gerenciamento de estado explícito.
• Contratos de Dados Estritos: Utiliza adaptadores de formato para validar e limpar dados entre os nós do gráfico, garantindo que arquivos (ex: PDB, SMILES) atendam aos requisitos antes de entrarem em ferramentas sensíveis.
• Checkpoints Human-in-the-Loop (HITL): Insere pontos de parada críticos onde cientistas humanos podem validar decisões de alta incerteza (ex: seleção de estrutura de proteína, lista final de candidatos), garantindo validade científica.
• Protocolo MCP (Model Context Protocol): Serve como camada de abstração unificada para federar ferramentas heterogêneas (bancos de dados locais, APIs em nuvem, scripts Python), permitindo que a Camada A raciocine sobre ferramentas abstratas enquanto a Camada B gerencia a execução complexa.

3. Contribuições Principais

• Arquitetura de Autonomia Governada: Propõe um modelo que não depende apenas de prompt engineering, mas de uma estrutura formal de governança (Camada A) e execução estruturada (Camada B) para mitigar alucinações e deriva de trajetória.
• Gráficos de Habilidade para Pipelines Científicos: A formalização de fluxos de trabalho de descoberta de fármacos como gráficos de estado com contratos de dados rígidos, superando a instabilidade de chamadas de ferramentas independentes.
• Benchmarks e Avaliação: Introdução do PharmaBench, um benchmark curado com 88 tarefas cobrindo todo o espectro da descoberta de fármacos, incluindo tarefas quantitativas (TDC) e de raciocínio complexo (HLE).
• Validação em Casos Reais: Demonstração de casos de uso end-to-end para doenças complexas (Doença de Crohn, Parkinson e Sepse), mostrando a capacidade do sistema de navegar em espaços químicos massivos, aplicar filtros de toxicidade rigorosos e gerar candidatos competitivos in silico.

4. Resultados

• Desempenho no PharmaBench: O Mozi superou as linhas de base existentes (como o Biomni) em precisão de classificação e tarefas de múltipla escolha, especialmente quando acionado por modelos de base maiores (Qwen3-235B).
  • No subconjunto de tarefas HLE (raciocínio científico), o Mozi alcançou 21.42% de precisão exata com o modelo Deepseek-V3.2, superando sistemas como Gemini-2.5-Pro e Biomni.
• Casos de Uso (Long-Horizon):
  • Doença de Parkinson: O sistema identificou alvos, realizou triagem virtual de 377.760 compostos e, através de otimização multi-objetivo guiada por RL, descobriu um novo scaffold que superou as métricas computacionais do fármaco clínico de referência (DNL-201) em segurança e permeabilidade da barreira hematoencefálica.
  • Sepse e Crohn: O sistema demonstrou robustez ao lidar com falhas de ferramentas (ex: falhas no AutoDock Vina) sem interromper o fluxo de trabalho, contendo erros localmente nos gráficos de habilidade.
• Comparação com Outros Sistemas: Diferente de agentes puramente baseados em geração de código (que tendem a reinventar procedimentos ou entrar em loops infinitos), o Mozi manteve a integridade do fluxo de trabalho e a conformidade com restrições de segurança.

5. Significado e Impacto

O Mozi representa um avanço significativo na transição de LLMs de "conversadores frágeis" para "co-cientistas confiáveis e governados" na indústria farmacêutica.

• Segurança e Conformidade: Ao impor restrições rígidas e auditoria, o sistema torna viável o uso de IA autônoma em ambientes regulados onde a segurança é primordial.
• Eficiência Operacional: A capacidade de integrar ferramentas heterogêneas e gerenciar pipelines de longo prazo reduz o tempo de descoberta e o custo computacional ao evitar execuções inválidas.
• Colaboração Humano-AI: A integração de checkpoints HITL transforma a automação em uma ferramenta colaborativa, onde a intuição humana guia a exploração em pontos críticos, mantendo a escalabilidade da IA.

Em suma, o Mozi demonstra que a combinação de raciocínio livre para tarefas seguras e execução estruturada para pipelines complexos é a chave para desbloquear o potencial da IA na descoberta de novos medicamentos.