An AI System for Autonomous Algorithm Evolution in Drug Development
本文介绍了 DrugEvolve，这是一个多角色大语言模型系统，它通过设计、实现、评估和优化的闭环过程，在整个药物研发管线中自主进化并优化算法，在多样化的任务和数据模态上实现了显著的性能提升和泛化能力。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
将科学构想转化为造福人类的药物，是一段漫长且曲折的旅程，充满了许多不同的检查点。它始于寻找正确的生物靶点，经过发现可能与其相互作用的分子，并持续进行实验室中的严谨测试，最终进入人体志愿者阶段。几十年来，科学家们一直依赖专门的计算机程序来加速这些步骤。这些程序就像是高度熟练的工具，但它们是由人类专家构建的，必须为一项特定的任务进行精心设计。如果一个工具在寻找药物靶点方面表现出色，它通常无法用于在临床试验中测试该药物。这意味着，随着流程的推进，工具必须不断地由人工重新构建和调优，这是一个缓慢且艰苦的过程，限制了新药发现的速度。
现在，一组研究人员推出了一种名为 DrugEvolve 的新系统，旨在改变这些计算机工具的制造方式。该系统不再依赖人类为每一个单一任务构建新的算法，而是作为一个可以自我改进的自主引擎运行。它的运作方式是模拟一个小型、自给自足的专家团队协同工作。系统的一部分充当研究员，利用科学知识提出关于算法应如何运作的新构想；另一部分充当工程师，将这些构想转化为实际的代码以使其发挥功能；第三部分则担任分析师，通过数据测试新代码，观察其性能是否优于旧版本。如果新版本表现良好，系统就会保留它，并将这一成功经验作为提升下一轮改进的依据。这创造了一个持续的循环，使软件能够在无需人类为每个步骤编写代码的情况下，自行设计、构建、测试并完善其方法。
研究人员在涵盖整个药物开发流程（从识别生物靶点到开展临床试验）的 11 个不同任务中测试了这个自我改进系统。在这些测试中，DrugEvolve 对现有的算法进行了自主进化的处理。结果显示，该系统能够显著提升其所处理算法的性能。在针对科学家用于检查工作的 120 个标准测试集进行衡量时，进化后的算法展现出了实质性的进步。该系统证明了其具备处理极具差异化信息类型的灵活性，能够无缝切换于看似生物序列的数据、描绘分子结构的数据以及纯文本语言的数据之间。它在预测结果的任务（例如预测药物行为）和生成新可能性的任务（例如设计新分子）中均取得了成功。
这项工作的意义在于其能够创建一个从自身历史中学习的系统。通过将研究员、工程师和分析师的角色整合进一个自动化的循环中，该系统不仅仅是在遵循一套指令，它还在主动寻求解决问题的更好方法。作者认为，这种方法可以作为未来药物开发的基石架构，届时工具本身会随着时间的推移变得更加聪明。除了医药领域，这种方法还为处理其他复杂科学领域提供了一种新途径，表明机器不仅可以被教导去执行一项任务，还可以被教导去重塑其执行任务的方式。该系统证明了其具备泛化学习的能力，这意味着它在某一领域取得的改进可以应用于不同类型的数据和不同的处理阶段，从而证明了自主进化是推动科学发现进步的一条可行路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。