MolClaw — agent AI autonomicznie odkrywa leki przez hierarchiczną orchestrację 30+ narzędzi
System MolClaw łączy 70 umiejętności w trzech poziomach, osiągając przełomowe wyniki w benchmarku wymagającym do 50+ sekwencyjnych operacji.

Źródło zdjęcia: arXiv.org
Naukowcy z kilkunastu instytucji badawczych opracowali MolClaw — autonomicznego agenta AI, który może samodzielnie przeprowadzać kompleksowe procesy odkrywania leków, od oceny molekuł po ich optymalizację. System wykorzystuje hierarchiczną architekturę składającą się z 70 umiejętności zorganizowanych w trzy poziomy, co pozwala mu orchestrować ponad 30 specjalistycznych narzędzi w wieloetapowych przepływach pracy. Badanie zostało opublikowane na arXiv przez zespół kierowany przez Lisheng Zhang.
Kluczowe wnioski
- MolClaw łączy ponad 30 specjalistycznych narzędzi przez hierarchiczną architekturę 70 umiejętności w trzech poziomach: atomowych operacji, zwalidowanych pipeline'ów i zasad naukowych.
- System osiąga najlepsze wyniki we wszystkich metrykach na nowym benchmarku MolBench, który obejmuje zadania wymagające od 8 do ponad 50 sekwencyjnych wywołań narzędzi.
- Największe przewagi MolClaw uzyskuje w zadaniach wymagających uporządkowanych przepływów pracy, podczas gdy w prostych skryptach różnice znikają.
- Badanie potwierdza, że orchestracja przepływów pracy jest głównym wąskim gardłem w odkrywaniu leków napędzanym przez AI.
- Wprowadzono benchmark MolBench obejmujący molekularne przesiewanie, optymalizację i kompleksowe wyzwania odkrywcze.
Trójpoziomowa architektura umiejętności
MolClaw wykorzystuje innowacyjną hierarchiczną strukturę umiejętności, która rozwiązuje główne problemy współczesnych agentów AI w odkrywaniu leków. Na najniższym poziomie znajdują się umiejętności narzędziowe, które standaryzują atomowe operacje na specjalistycznych narzędziach bioinformatycznych. Poziom średni obejmuje umiejętności przepływu pracy, które komponują te operacje w zwalidowane pipeline'y z kontrolą jakości i refleksją. Najwyższy poziom zawiera umiejętność dyscyplinarną, która dostarcza zasady naukowe regulujące planowanie i weryfikację we wszystkich scenariuszach w dziedzinie.
Ta architektura pozwala agentowi na długoterminowe interakcje podczas wykonywania zadań, co jest kluczowe w kompleksowych procesach odkrywania leków, gdzie pojedyncze zadanie może wymagać dziesiątek sekwencyjnych wywołań różnych narzędzi specjalistycznych.
Benchmark MolBench i wyniki testów
Zespół badawczy wprowadził MolBench — pierwszy kompleksowy benchmark do oceny agentów AI w odkrywaniu leków. Benchmark obejmuje wyzwania w zakresie molekularnego przesiewania, optymalizacji i kompleksowego odkrywania leków, wymagające od 8 do ponad 50 sekwencyjnych wywołań narzędzi.
MolClaw osiągnął najlepsze wyniki we wszystkich testowanych metrykach. Szczególnie istotne są rezultaty studiów ablacyjnych, które wykazały, że przewagi systemu koncentrują się na zadaniach wymagających strukturalnych przepływów pracy, podczas gdy znikają w przypadku problemów rozwiązywalnych za pomocą doraźnych skryptów. To odkrycie wskazuje na orchestrację przepływów pracy jako główny czynnik ograniczający wydajność w odkrywaniu leków napędzanym przez AI.
Implikacje dla przyszłości odkrywania leków
Wyniki badania sugerują, że przyszłość automatyzacji w odkrywaniu leków leży nie tyle w doskonaleniu pojedynczych narzędzi, ile w lepszej orchestracji złożonych przepływów pracy. MolClaw demonstruje, jak hierarchiczna organizacja umiejętności może przezwyciężyć ograniczenia obecnych systemów AI w zarządzaniu wieloetapowymi procesami badawczymi. System może znacząco przyspieszyć procesy odkrywania nowych leków poprzez automatyzację czasochłonnych i podatnych na błędy ręcznych przepływów pracy.
Badanie potwierdza również, że kompetencje w zakresie orchestracji przepływów pracy stanowią podstawowe wąskie gardło dla agentów AI w dziedzinie odkrywania leków, co wskazuje kierunki przyszłych badań i rozwoju w tej obszarze.
Źródła
Podobne publikacje

Qwen4-Max od Alibaby rzuca wyzwanie Opus 5.5 i GPT-6 niższą ceną
Qwen4-Max od Alibaby ma 2,4 bln parametrów, nową architekturę i koszt zadania niższy o dwie trzecie. Sprawdzamy benchmarki, ceny API i funkcję Live Delivery.

Detektory halucynacji na małych modelach AI: ranking się odwraca
Audyt detektorów halucynacji na małych, kwantyzowanych LLM: ranking metod odwraca się między Llama i Qwen, a prosty test leksykalny dorównuje droższym metodom.

Claude Fable 5.2 maluje obrazy pędzlem zamiast je generować
Claude Fable 5.2 od Anthropic tworzy obrazy z setek tysięcy symulowanych pociągnięć pędzla w kodzie Python. Model zmierzył się też z GPT-6 Astra w robotyce.