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

O artigo apresenta o "My Chemical Harness", uma estrutura evolutiva nativa de rotas que utiliza grandes modelos de linguagem como controladores de estratégia de alto nível para guiar a construção de vias sintéticas executáveis a partir de blocos de construção, alcançando assim um desempenho de estado da arte em design molecular sem alucinações ou a necessidade de ajuste fino do modelo.

O essencial

Imagine que você esteja tentando inventar um novo medicamento supereficaz. No passado, cientistas (ou IAs) tentavam idealizar primeiro o formato perfeito de uma molécula, como se estivessem desenhando um carro em um sonho. Então, tentavam descobrir como realmente construí-lo em uma fábrica. Frequentemente, o carro sonhado era impossível de construir porque as peças não existiam ou as instruções de montagem eram sem sentido.

"My Chemical Harness" é uma nova maneira de fazer isso. Em vez de sonhar com o carro pronto primeiro, este sistema começa com as instruções de montagem e o catálogo de peças.

Veja como funciona, usando analogias simples:

1. A busca é por "Receitas", não apenas "Bolos"

A maioria das IAs tenta adivinhar o bolo final (a molécula) e espera que ele tenha um gosto bom. Este sistema, no entanto, trata cada candidato como uma receita.

• Os Ingredientes: Uma lista de produtos químicos reais e comercializáveis (como farinha, açúcar, ovos).
• Os Passos: Uma lista de métodos culinários reais e comprovados (como "misturar", "assar", "dobrar").
• A Regra: Você só pode escrever uma receita se puder comprar os ingredientes e se os passos forem fisicamente possíveis em uma cozinha.

Se uma receita pede "pó mágico" ou um passo que incendeia a cozinha, o sistema a rejeita imediatamente. A "busca" não está procurando por um formato; está procurando pela melhor sequência de passos para fazer um produto útil.

2. A IA é o "Gerente do Chef", não o "Cozinheiro"

Esta é a parte mais importante do artigo. O Modelo de Linguagem Grande (a IA) não tem permissão para simplesmente escrever uma molécula aleatória. Isso seria como pedir a um chef para inventar um novo prato sem saber quais ingredientes existem na despensa.

Em vez disso, a IA atua como um Gerente de Estratégia:

• Ela observa as "receitas" atuais no banco de dados.
• Ela decide sobre um plano: "Vamos tentar trocar o açúcar por mel", ou "Vamos tentar um método de cozimento que não usamos muito ainda", ou "Vamos manter as receitas curtas".
• Ela diz ao computador: "Vá tentar estas mudanças específicas".

A IA nunca "cozinha" a molécula de fato. Ela apenas dá diretrizes de alto nível.

3. A "Cozinha Robótica" faz o trabalho real

Uma vez que o Gerente de IA dá um plano, uma cozinha robótica determinística (código local) assume o controle. Este robô:

• Verifica se os ingredientes realmente existem.
• Segue os passos exatamente para ver se a receita funciona.
• Constrói a molécula.
• Testa se o produto final é bom (ele se liga ao alvo da doença?).
• Descarta qualquer receita que falhe ou produza um duplicata.

Essa separação é crucial. Se a IA alucinar (inventar coisas), a cozinha robótica a pega imediatamente porque a receita não funcionará. A IA guia a direção, mas o robô garante a realidade.

4. Aprendendo com os erros (O ciclo de "Reflexão")

O sistema utiliza um ciclo inteligente chamado "Reflexão".

1. Tentar: A IA sugere uma estratégia, e o robô tenta 1.000 receitas.
2. Revisar: O robô diz à IA: "Ei, sua ideia de usar 'mel' funcionou muito bem, mas 'assar a 500 graus' falhou todas as vezes".
3. Ajustar: A IA lê este relatório, aprende com ele e muda sua estratégia para as próximas 1.000 receitas.
4. Repetir: Isso acontece repetidamente, tornando-se mais inteligente a cada rodada.

O que eles descobriram?

Os pesquisadores testaram isso em um alvo enzimático específico (sEH) e em um conjunto de desafios padrão de design de fármacos.

• Melhores Resultados: O sistema deles encontrou melhores moléculas do que sistemas que apenas adivinham o formato primeiro, ou sistemas que não utilizam a capacidade de "reflexão" da IA.
• Mais Fácil de Construir: As moléculas encontradas não foram apenas eficazes, mas também muito mais fáceis de sintetizar (construir) em um laboratório.
• Sem Necessidade de Treinamento: A IA não precisou ser retreinada ou ensinada nova química. Ela apenas usou seu conhecimento existente para atuar como um gerente inteligente para a cozinha robótica.

A Conclusão

Pense neste sistema como uma equipe onde a IA é o gerente de projeto experiente e o código é a equipe de construção precisa. O gerente decide onde olhar e o que tentar, mas a equipe garante que cada bloco de construção seja real e que cada passo seja seguro. Isso evita que a IA sonhe com coisas impossíveis e garante que as descobertas finais sejam, de fato, construíveis no mundo real.

Resumo técnico

Resumo Técnico: My Chemical Harness

Definição do Problema
O desafio central na descoberta de fármacos e materiais é projetar moléculas com propriedades químicas direcionadas que sejam também sinteticamente acessíveis. Embora avanços recentes em modelos generativos (transformers, modelos de difusão) tenham demonstrado sucesso na amostragem de novas estruturas moleculares, eles frequentemente produzem candidatos que carecem de rotas sintéticas viáveis. Abordagens tradicionais tipicamente geram estruturas moleculares primeiro e depois tentam mapeá-las para vias sintetizáveis a posteriori, ou tratam a sintetizabilidade como uma penalidade externa. Este artigo argumenta que o design molecular deve ser formulado diretamente como uma busca sobre rotas sintéticas executáveis, onde o objeto candidato é a própria rota, e não apenas o grafo molecular final.

Metodologia: My Chemical Harness
Os autores introduzem o "My Chemical Harness", um framework evolutivo nativo de rotas que integra Grandes Modelos de Linguagem (LLMs) como controladores de estratégia dentro de um pipeline químico determinístico. O sistema opera como um algoritmo genético onde a população consiste em rotas sintéticas executáveis, em vez de moléculas isoladas.

• Representação do Espaço de Busca: O espaço de busca é definido por uma biblioteca de blocos de construção comercializáveis ($B$), um conjunto de templates de reação ($R$) representados como padrões SMARTS, e uma matriz de compatibilidade ($M$). Um candidato é uma rota $r = (s_1, \dots, s_L)$, uma sequência de etapas de reação instanciadas. O "genótipo" é a rota, e o "fenótipo" é a molécula produto final obtida através da execução da rota usando ferramentas determinísticas (ex: RDKit).
• Papel do LLM como Controlador de Estratégia: O LLM é explicitamente restrito de gerar moléculas ou etapas de reação diretamente para evitar alucinações. Em vez disso, ele atua como um planejador de alto nível que seleciona preferências para a busca, tais como comprimento da rota, tipos de movimento (ex: substituição, extensão), famílias de reações e pressão de exploração.
• Execução Determinística: O código local lida com todo o trabalho pesado: amostragem de reagentes compatíveis, validação de slots de reação, execução de transformações RDKit, remoção de duplicatas e pontuação de produtos usando oráculos específicos da tarefa.
• Ciclo de Otimização Reflexivo: O framework emprega um processo de iteração "reflexivo":
  1. Montagem de Contexto: O sistema reúne a memória da ilha (histórico de rotas bem-sucedidas/falhas).
  2. Planejamento: O LLM propõe uma estratégia de busca baseada na tarefa e no contexto.
  3. Primeira Passagem: O código local executa a estratégia, gerando e pontuando candidatos.
  4. Reflexão: O LLM revisa os resultados (sucessos, falhas, motivos) e revisa sua estratégia para o orçamento restante.
  5. Segunda Passagem e Seleção: A estratégia revisada é executada, e os melhores candidatos são comprometidos à população.
  6. Aprendizado: O LLM gera um relatório para guiar futuras iterações.

Principais Contribuições

1. Busca Evolutiva Nativa de Rota: O artigo propõe uma mudança de paradigma onde o algoritmo genético opera sobre programas de síntese executáveis (rotas), garantindo que a sintetizabilidade seja estrutural ao espaço de busca, em vez de uma restrição post-hoc.
2. Integração de LLM Restrita: Demonstra uma arquitetura de "harness" (arnês) onde os LLMs guiam a exploração através de estratégia de alto nível sem acesso direto à geração química, eliminando assim o risco de produtos alucinados ou etapas de reação não suportadas.
3. Mecanismo de Agente Reflexivo: A introdução de uma etapa de reflexão de meia iteração permite que o LLM adapte sua política de busca com base no feedback imediato do motor de química determinística, melhorando a alocação do esforço de busca.

Resultados
O framework foi avaliado em dois benchmarks:

• Proxy de Hidrolase de Epóxido Solúvel (sEH): O agente de LLM reflexivo alcançou um desempenho de estado da arte em comparação com controladores determinísticos e baselines de LLM não reflexivos. Alcançou um escore médio de sEH top-1000 de $0.984 \pm 0.005$, o menor escore de Acessibilidade Sintética (SA) de $1.996 \pm 0.027$ e a maior taxa de sucesso de AiZynthFinder de $0.994 \pm 0.004$. O agente reflexivo conseguiu enriquecer motivos quimicamente interpretáveis (ex: grupos ureia e amida) consistentes com a química conhecida de inibidores de sEH.
• Oráculos do Therapeutics Data Commons (TDC): O método foi aplicado a 13 oráculos diversos de design molecular. A abordagem de LLM reflexivo superou métodos de baseline com restrição de síntese (ReaSyn, SynthesisNet, SynNet) em vários alvos, incluindo amlodipine_mpo (0.6436 vs. 0.620) e sitagliptin_mpo (0.4522 vs. 0.314), demonstrando a generalizabilidade do controle estratégico através de diferentes objetivos de otimização.

Significância e Alegações
O artigo afirma que agentes de LLM restritos podem desempenhar um papel significativo na descoberta molecular sem exigir treinamento, ajuste fino ou modelos generativos dedicados. O valor primário do LLM é identificado como priorização adaptativa sobre um espaço de ação química restrito. Ao separar o papel estratégico do LLM da execução química determinística, o sistema alcança um equilíbrio onde o LLM guia a busca para regiões promissoras do espaço químico enquanto as ferramentas locais impõem a realidade e validade química. Os autores concluem que esta abordagem facilita o design racional de fármacos sintetizáveis e polímeros de impressão molecular, oferecendo um caminho confiável, auditável e livre de alucinações para a descoberta científica assistida por IA.