1. 项目概述当AI“化学家”学会自己动手做实验“分子先导化合物优化”这听起来像是制药公司研发部门里最核心、最烧钱也最耗时的环节。没错传统上这确实是一群顶尖化学家和生物学家在实验室里日复一日地合成、测试、分析试图将一个有潜力的“苗头化合物”打磨成能进入临床的“候选药物”。这个过程充满了试错成本动辄以千万美元计周期则以年为单位。但现在情况正在发生根本性的变化。我们谈论的“Molecular Lead Optimization via Agentic Tool Planning”本质上是在构建一个能自主执行这一复杂优化流程的AI智能体。它不再是一个被动的预测模型只告诉你“这个分子可能活性不错”而是一个主动的“规划者”和“执行者”它能理解优化目标比如提高活性、降低毒性、改善溶解性自主调用各种计算工具如分子对接、ADMET预测、合成可行性评估分析结果并据此设计出下一批待测试的虚拟分子循环往复直到找到最优解。你可以把它想象成一个不知疲倦、且知识渊博的“AI化学家”。它的大脑是一个大型语言模型不仅存储了海量的化学知识和反应规则更重要的是它具备了“规划”和“使用工具”的能力。它的“手”和“眼睛”则是一系列专业的计算化学软件和数据库。LLM负责思考“下一步该做什么”然后指挥这些工具去执行具体的计算任务最后再解读计算结果制定新的策略。这就是“Agentic Tool Planning”的精髓智能体化的工具规划与执行。这项技术适合谁首先是药物研发领域的科研人员和工程师他们可以借此大幅提升虚拟筛选和早期药物发现的效率。其次是AI for Science的研究者这是一个将AI能力深度融入科学发现范式的绝佳案例。甚至对于机器学习工程师来说这也是一个构建复杂、多步骤AI智能体的高级实践场景。无论你是想了解AI如何变革传统科研还是想亲手搭建一个能解决实际科学问题的智能体系统这个主题都充满了吸引力与挑战。2. 核心架构设计构建一个会“思考”和“动手”的分子优化智能体要理解这个系统如何工作我们需要拆解它的核心架构。这不像训练一个单一的预测模型那么简单它更像是在设计一个微型公司的运作流程有决策层、执行层和反馈循环。2.1 智能体核心LLM作为“首席战略官”整个系统的“大脑”是一个大型语言模型。但这里对LLM的要求远不止文本生成。它需要扮演三个关键角色任务理解与分解者当接收到一个优化目标如“优化分子M001在保持对靶点蛋白P活性IC50 10nM的前提下将预测的肝毒性风险降低50%”LLM需要将其分解为一系列可执行子任务。例如a) 分析M001的现有属性b) 调用工具预测其肝毒性相关指标c) 基于化学知识生成一批结构相似的衍生物d) 对这批衍生物并行执行活性和毒性预测e) 分析结果选择最有潜力的方向进行下一轮生成。工具调用规划者这是“Tool Planning”的核心。系统会为LLM提供一个“工具包”每个工具都有明确的功能描述、输入格式和输出格式。例如工具Apredict_activity(molecule_smiles, target_pdb)- 返回预测的pIC50值。工具Bpredict_toxicity(molecule_smiles)- 返回肝毒性、心脏毒性等多项指标。工具Cgenerate_analogues(molecule_smiles, modification_strategy)- 返回一组类似物的SMILES字符串。 LLM需要根据当前任务状态决定调用哪个工具、以什么参数调用、以及如何处理工具的返回结果。这要求LLM对化学领域有足够深的理解才能做出合理的规划。结果分析与决策者工具执行后会产生数据如一系列数字和分子结构。LLM需要解读这些数据“分子M001的活性很好但毒性指标CYP3A4抑制很强。生成的衍生物中M001-05活性略有下降但毒性显著降低这是一个有价值的权衡。下一步应该围绕M001-05的核心结构尝试微调侧链以恢复活性。”实操心得LLM的选择至关重要。通用模型如GPT-4在逻辑规划和工具调用上表现优异但可能缺乏深度的化学知识。更好的方案是使用在大量化学文献和专利上微调过的专业模型或采用“通用规划LLM 化学知识检索增强”的混合架构。直接使用未经领域适配的模型它可能会提出一些化学上不合理甚至无法合成的修改建议。2.2 工具生态智能体的“双手”与“仪器库”智能体的大脑再聪明也需要可靠的“手”来操作“仪器”。这里的工具通常是封装好的函数、API或本地执行脚本。一个完整的分子优化智能体其工具库通常包含以下几类属性预测工具这是基础。包括基于QSAR/QSPR的模型、深度学习模型如Graph Neural Networks等用于预测活性、毒性ADMET、溶解性、渗透性等关键性质。这些模型可以是公开的如RDKit的Descriptor计算、DeepChem库中的模型也可以是团队内部训练的私有模型。分子生成与修饰工具这是优化的“发动机”。方法多样基于规则的生成使用化学反应SMARTS模式在特定位点进行官能团替换、环化、断裂等。基于模型的生成使用VAE、GAN或扩散模型在化学空间中进行采样和生成。片段连接/生长从片段库中选取片段连接到先导化合物的骨架上。分子对接与模拟工具提供更精细的相互作用洞察。如AutoDock Vina, GROMACS等。由于计算成本高通常不会对每一代所有分子都进行而是作为对精选分子的“深入验证”工具。合成可行性评估工具如基于反应规则的逆合成分析工具RDChiral, ASKCOS或基于AI的合成路线预测Molecular Transformer用于评估设计出的分子是否容易合成避免设计出“纸上分子”。数据库与知识检索工具连接内部化合物库或公共数据库如ChEMBL, PubChem用于查重、获取类似物数据、或进行子结构检索确保新颖性并避免重复工作。这些工具需要被标准化封装提供清晰的API接口。例如一个典型的工具调用请求和响应可能是这样的# LLM或调度器发出的请求 tool_call { tool_name: predict_admet, parameters: { smiles: CC(O)OC1CCCCC1C(O)O, # 阿司匹林的SMILES properties: [caco2_permeability, cyp2d6_inhibition, hERG_inhibition] } } # 工具返回的响应 tool_response { caco2_permeability: -4.52, # logPapp cyp2d6_inhibition: 0.15, # 概率 hERG_inhibition: 0.87, # 概率高风险 interpretation: 该分子表现出较高的hERG抑制风险可能导致心脏毒性。 }2.3 工作流引擎 orchestration 与状态管理智能体不是运行一次就结束它要管理一个多步骤、多循环的优化流程。这就需要一個工作流引擎或Orchestrator。它的职责包括状态跟踪维护当前优化轮次、已评估的分子列表、它们的各项属性、以及历史决策记录。这通常用一个结构化的“状态字典”或数据库来维护。流程控制决定何时开始新一轮生成何时因为性能停滞而触发探索策略何时满足终止条件如找到符合所有标准的分子或达到最大迭代次数而停止。任务调度与并行当LLM规划出“对100个新分子预测活性”的任务时引擎需要将这100个任务分发给多个预测工具实例并行执行以提升效率。异常处理处理工具调用失败如服务器超时、输入格式错误、LLM输出不符合预期如生成无效的SMILES等情况并尝试恢复或记录错误。在实践中这个引擎可以用Python脚本配合像LangChain、LlamaIndex这类智能体框架来构建也可以使用更通用的工作流工具如Prefect、Airflow甚至是为科学计算设计的平台如Nextflow。注意事项工作流的设计必须足够健壮。化学空间极其庞大智能体很容易陷入局部最优反复生成同一类微调结构。因此引擎中需要内置一些“探索-利用”平衡机制例如定期引入随机突变、切换到不同的分子生成策略、或者基于多样性指标对生成池进行筛选迫使智能体探索新的化学区域。3. 关键技术与实现细节拆解有了架构蓝图我们深入看看几个关键环节是如何具体实现的。这些细节决定了智能体是“花架子”还是真正能产出的“实干家”。3.1 分子表示与工具交互的语言SMILES与JSON智能体和工具之间需要一种无歧义的通信语言。在化学领域SMILES字符串是表示分子结构的标准“语言”。它是分子二维结构的一维线性表示例如“水”是O“乙醇”是CCO。所有工具几乎都接受SMILES作为输入并输出SMILES或与之相关的属性。因此LLM必须精通SMILES语法。它生成的分子修改建议、它解析工具返回的新分子列表都依赖于对SMILES的正确理解和生成。一个常见的陷阱是LLM生成无效的SMILES原子价错误、环不闭合。解决方案是在工具调用层增加一个语法验证和修复步骤。例如在将LLM生成的SMILES发送给预测工具前先用RDKit检查其有效性如果无效则将其反馈给LLM要求重试或修正。工具调用的格式通常采用JSON Schema来规范。你需要在给LLM的系统提示词中明确定义每个工具的“功能描述”、“输入参数schema”和“输出示例”。这能极大提升LLM调用工具的准确率。例如你是一个化学分子优化智能体。你可以使用以下工具 - 工具分子属性预测器 - 描述预测给定分子的生物活性和ADMET性质。 - 输入{smiles: string, target: string (optional)} - 输出{activity_pIC50: float, lipinski_rule_of_five: dict, toxicity_alert: list} - 工具分子类似物生成器 - 描述基于输入分子生成一系列结构类似的衍生物。 - 输入{smiles: string, num_variants: int, strategy: scaffold_hopping|side_chain_mod} - 输出{generated_smiles: [str1, str2, ...], modification_log: str}3.2 规划策略的设计从单步反应到多轮战役LLM的规划能力不是天生的需要引导和设计。规划策略大致分为几个层次反应式规划这是最简单的。LLM分析当前状态如分子A毒性高直接调用“降低毒性”的工具。这适用于简单、明确的问题。多步序列规划对于复杂目标LLM需要规划一个步骤序列。例如“1. 预测M001的所有ADMET性质2. 识别出关键缺陷如溶解度低3. 针对性地生成提高溶解度的衍生物4. 预测这批衍生物的活性确保活性不丧失5. 对最优的几个进行合成可行性评估。” LLM需要维持一个任务栈或思维链。基于评估的迭代规划这是分子优化的核心循环。LLM不仅规划单轮操作还要管理多轮迭代。它需要制定每一轮的策略“本轮专注于优化logP”并根据上一轮的结果“logP改善了但活性跌太多”动态调整下一轮的策略“下一轮在保持当前logP的基础上尝试恢复活性”。这通常需要引擎提供清晰的“历史轮次总结”作为上下文给LLM。一个有效的技巧是使用“Few-Shot Prompting”在系统提示词中给出几个完整的规划示例。例如示例1 状态先导化合物L-1活性高(8.5)但clogP过高(5.2)可能口服生物利用度差。 目标在保持活性8.0的前提下降低clogP至3。 思考clogP过高通常由于疏水基团过多。我可以尝试用极性基团如羟基、胺基替换苯环上的疏水取代基或者引入可离子化基团如羧酸来增加亲水性。但改动要保守以免破坏药效团。 规划1. 调用‘generate_analogues’策略为‘polar_group_substitution’生成20个类似物。2. 调用‘predict_properties’批量预测这20个类似物的活性和clogP。3. 分析结果挑选clogP3.5且活性8.0的分子进入下一轮。3.3 评估函数与多目标优化平衡的艺术分子优化从来不是单一目标。我们几乎总是在多目标优化的权衡中活性 vs. 毒性 vs. 药代动力学性质 vs. 合成难度。智能体需要一个明确的评估函数来量化每个分子的“好坏”并指导搜索方向。一个常见的做法是构建一个加权求和评分Score w1 * Activity_Score w2 * Toxicity_Score w3 * PK_Score ...其中每个分项都需要归一化到相近的量纲如0-1之间1代表最优。Activity_Score可以是pIC50的sigmoid转换Toxicity_Score可以是多个毒性指标风险的逆函数。更高级的方法是采用Pareto前沿优化。智能体不再追求单一分数最高而是寻找一系列“非支配解”——在这些解中你无法在不损害至少一个其他指标的情况下进一步改进某个指标。LLM和引擎需要协作来识别和保留每一代中的Pareto最优分子并鼓励向Pareto前沿的空白区域探索。实操心得权重的设置是门艺术且可能随优化阶段变化。早期可能更看重活性后期更关注安全性。一个实用的策略是设置“硬约束”和“软目标”。硬约束如活性必须阈值某毒性必须无风险必须满足不满足的分子直接淘汰。软目标如logP尽可能低则用于在满足硬约束的分子中进行排序。LLM的规划可以围绕“先满足所有硬约束”来展开。4. 系统搭建实操从零构建一个原型理论说了这么多我们来动手搭建一个最小可行系统。这里我以一个简化场景为例优化一个已知的分子在保持预测活性不显著下降的前提下改善其溶解性用LogS预测值衡量。4.1 环境准备与工具封装首先我们需要一个Python环境并安装核心库。# 创建环境 conda create -n mol_agent python3.10 conda activate mol_agent # 安装核心化学信息学库 pip install rdkit-pypi deepchem pandas numpy # 安装智能体框架这里以LangChain为例但核心逻辑可自行实现 pip install langchain langchain-openai # 安装用于web应用演示的库可选 pip install streamlit接下来封装几个最基础的工具函数。我们将它们写成普通的Python函数但后续可以被LLM智能体调用。import logging from rdkit import Chem from rdkit.Chem import Descriptors, Crippen from rdkit.Chem import AllChem from rdkit.Chem.Descriptors import MolLogP import numpy as np logging.basicConfig(levellogging.INFO) logger logging.getLogger(__name__) class ChemistryTools: 一组简单的化学计算工具 staticmethod def validate_smiles(smiles: str) - dict: 验证SMILES字符串是否有效。 mol Chem.MolFromSmiles(smiles) if mol is None: return {valid: False, error: 无法解析SMILES} try: Chem.SanitizeMol(mol) return {valid: True, canonical_smiles: Chem.MolToSmiles(mol)} except Exception as e: return {valid: False, error: f分子 sanitization 失败: {e}} staticmethod def predict_activity_simple(smiles: str) - float: 一个极其简化的活性预测函数。 现实中这里应该接入一个训练好的QSAR/深度学习模型。 此处我们用一个基于分子量的虚构函数模拟。 mol Chem.MolFromSmiles(smiles) if mol is None: return -999.0 mol_weight Descriptors.MolWt(mol) # 模拟假设某个理想分子量附近活性最高 base_activity 8.0 penalty abs(mol_weight - 350) / 1000 # 虚构的惩罚项 predicted_pic50 base_activity - penalty return round(predicted_pic50, 2) staticmethod def predict_logs_simple(smiles: str) - float: 预测水溶解度LogS。同样为简化模拟。 使用RDKit的描述符进行粗略估算。 mol Chem.MolFromSmiles(smiles) if mol is None: return 999.0 # 无效分子返回极差溶解度 logp Crippen.MolLogP(mol) # 计算LogP tpsa Descriptors.TPSA(mol) # 计算极性表面积 # 一个非常粗略的经验公式LogS ~ -LogP 0.01*TPSA - 2 estimated_logs -logp 0.01 * tpsa - 2 return round(estimated_logs, 2) staticmethod def generate_derivatives(smiles: str, num_variants: int 5) - list: 生成衍生物。这里实现一个简单的策略随机替换氢原子为氯或羟基。 实际应用应使用更复杂的反应规则或生成模型。 from rdkit.Chem import rdMolDescriptors mol Chem.MolFromSmiles(smiles) if mol is None: return [] results [] for _ in range(num_variants * 3): # 尝试多次以获得足够有效分子 # 复制分子 new_mol Chem.Mol(mol) # 获取可取代的氢原子这里简化处理选择重原子 atoms [atom for atom in new_mol.GetAtoms() if atom.GetAtomicNum() in [6,7,8] and atom.GetTotalNumHs() 0] if not atoms: continue target_atom np.random.choice(atoms) # 随机选择取代基 replacement np.random.choice([Cl, OH]) # 这里省略了实际的化学反应操作这是一个复杂的步骤 # 简化我们直接修改原子类型这在实际化学中是不正确的仅用于演示 # 实际项目应使用RDKit的化学反应功能或专业库。 # 为了演示我们生成一个随机的类似SMILES original_smiles Chem.MolToSmiles(mol) # 这是一个占位符代表生成了新结构 # 现实中这里应调用专业的分子生成函数 fake_new_smiles original_smiles replacement # 这显然是无效的仅示意 # 我们用一个更实际的模拟返回原分子加上编号模拟生成了不同结构 # 实际开发中请替换为真实的分子生成算法 variant_smiles f{original_smiles}.{_} # 占位符 # 验证生成的SMILES占位符无法验证跳过 # 将原分子的一个碳原子随机改为氮原子来模拟变化一个简单且常有效的改变 # 这里为了代码可运行我们直接返回原分子标记 # 真实场景请使用如mols2grid或专业生成库 results.append(variant_smiles) if len(results) num_variants: break # 返回一个模拟的列表实际应为真实的新SMILES # 此处返回原分子随机后缀作为演示 return [f{smiles}.mod{i} for i in range(num_variants)]4.2 构建智能体与规划逻辑现在我们利用LangChain来构建一个能调用上述工具的智能体。我们使用OpenAI的模型作为“大脑”。import os from langchain.agents import AgentExecutor, create_openai_tools_agent from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain.tools import Tool from langchain.memory import ConversationBufferMemory from pydantic import BaseModel, Field from typing import Optional # 假设你已经设置了OPENAI_API_KEY环境变量 # os.environ[OPENAI_API_KEY] your-api-key # 1. 将我们的工具函数包装成LangChain Tool tools [ Tool( nameValidateMolecule, funcChemistryTools.validate_smiles, description验证一个SMILES字符串是否代表有效的化学分子并返回其规范SMILES。输入应为单个SMILES字符串。 ), Tool( namePredictActivity, funcChemistryTools.predict_activity_simple, description预测给定分子的生物活性模拟pIC50值越高越好。输入为一个有效的SMILES字符串。 ), Tool( namePredictSolubility, funcChemistryTools.predict_logs_simple, description预测给定分子的水溶解度模拟LogS值越高表示溶解度越好。输入为一个有效的SMILES字符串。 ), Tool( nameGenerateDerivatives, funcChemistryTools.generate_derivatives, description基于输入分子生成一系列结构衍生物。输入为SMILES字符串和可选的数量默认5。返回一个SMILES列表。 ), ] # 2. 创建提示词模板指导LLM如何扮演角色和规划 system_prompt 你是一个专业的计算化学家AI助手专门负责分子先导化合物的优化。 你的目标是根据用户的要求通过调用工具来分析和优化分子结构。 你拥有以下工具{tool_names}。 工具使用规则 1. 在决定使用工具前先明确你的目标。 2. 每次只调用一个工具并等待结果。 3. 仔细分析工具返回的结果再决定下一步。 4. 对于分子始终使用规范的SMILES字符串进行交流。 5. 如果工具调用失败或返回意外结果分析原因并尝试调整策略。 当前优化任务改善目标分子的溶解性LogS同时尽可能保持其生物活性pIC50。 请开始你的工作。用户会提供初始分子的SMILES。 prompt ChatPromptTemplate.from_messages([ (system, system_prompt), MessagesPlaceholder(variable_namechat_history), (human, {input}), MessagesPlaceholder(variable_nameagent_scratchpad), ]) # 3. 初始化LLM和智能体 llm ChatOpenAI(modelgpt-4-turbo-preview, temperature0) # 低温度保证决策稳定 memory ConversationBufferMemory(memory_keychat_history, return_messagesTrue) # 创建智能体 agent create_openai_tools_agent(llm, tools, prompt) agent_executor AgentExecutor(agentagent, toolstools, memorymemory, verboseTrue, handle_parsing_errorsTrue) # 4. 运行一个简单的优化循环模拟 def run_simple_optimization(start_smiles: str, max_iter: int 3): 运行一个简化的多轮优化循环。 current_best { smiles: start_smiles, activity: ChemistryTools.predict_activity_simple(start_smiles), solubility: ChemistryTools.predict_logs_simple(start_smiles) } print(f初始分子: {current_best[smiles]}) print(f 初始活性: {current_best[activity]}, 初始溶解度(LogS): {current_best[solubility]}) for iteration in range(max_iter): print(f\n 第 {iteration1} 轮优化 ) # 构建给智能体的提示分析当前最佳分子并生成新想法 prompt_input f 我们目前最好的分子是{current_best[smiles]} 其属性为活性(pIC50){current_best[activity]}, 溶解度(LogS){current_best[solubility]}。 我们的目标是提升溶解度同时保持活性不低于 {current_best[activity] - 0.5}允许小幅下降。 请分析现状并规划下一步行动。你可以 1. 先生成一些衍生物。 2. 然后预测它们的活性和溶解度。 3. 从中选出最有潜力的一个作为新的候选。 请开始执行。 try: response agent_executor.invoke({input: prompt_input}) print(f智能体回复: {response[output][:500]}...) # 截断长输出 # 在实际系统中你需要从智能体的交互历史中解析出它最终选出的新分子SMILES和其预测属性。 # 这里我们模拟一下假设智能体通过工具调用找到了一批分子并推荐了其中一个。 # 我们简单地调用生成工具并手动评估选择最好的。 print(模拟智能体正在生成并评估衍生物...) new_smiles_list ChemistryTools.generate_derivatives(current_best[smiles], num_variants5) candidates [] for smi in new_smiles_list: act ChemistryTools.predict_activity_simple(smi) sol ChemistryTools.predict_logs_simple(smi) candidates.append({smiles: smi, activity: act, solubility: sol}) # 选择策略溶解度提升最大且活性下降不超过阈值 filtered [c for c in candidates if c[activity] current_best[activity] - 0.5] if filtered: # 按溶解度排序 filtered.sort(keylambda x: x[solubility], reverseTrue) new_best filtered[0] print(f本轮最佳候选: {new_best[smiles]}) print(f 活性: {new_best[activity]}, 溶解度: {new_best[solubility]}) # 检查是否有改进 if new_best[solubility] current_best[solubility]: current_best new_best print(f 溶解度提升更新当前最佳分子。) else: print(f 未发现溶解度更好的分子。保持原最佳分子。) # 可以在此处引入随机突变或改变策略避免陷入局部最优 else: print(未找到满足活性约束的衍生物。尝试调整生成策略。) except Exception as e: print(f第{iteration1}轮迭代发生错误: {e}) break print(f\n优化结束。最终最佳分子: {current_best[smiles]}) print(f最终活性: {current_best[activity]}, 最终溶解度: {current_best[solubility]}) return current_best # 用一个示例分子运行例如布洛芬的类似物SMILES较简单 if __name__ __main__: start_smiles CC(C)Cc1ccc(cc1)C(C)C(O)O # 一个虚构的简化分子 final_molecule run_simple_optimization(start_smiles, max_iter2)这个代码示例展示了一个极度简化的原型。它包含了工具封装、智能体构建和一个手动管理的优化循环。在真实系统中优化循环的逻辑生成、评估、选择应该更多地由LLM来规划和决策而框架如LangChain主要负责调度和状态管理。4.3 可视化与交互界面为了让化学家更方便地使用和信任这个系统一个可视化界面至关重要。Streamlit是一个快速构建Web应用的绝佳选择。它可以展示分子结构、属性变化趋势图和优化历史。# app.py - Streamlit 应用 import streamlit as st import pandas as pd from rdkit.Chem import Draw from rdkit.Chem.Draw import IPythonConsole from PIL import Image import io st.title(分子先导化合物优化智能体原型) st.markdown(输入一个先导化合物的SMILES启动AI智能体进行自动优化。) # 侧边栏输入 with st.sidebar: st.header(优化参数) input_smiles st.text_input(初始分子SMILES, valueCC(C)Cc1ccc(cc1)C(C)C(O)O) target_property st.selectbox(主要优化目标, [溶解度(LogS), 活性(pIC50), 类药性(LogP)]) constraint st.text_input(约束条件 (如: pIC50 7.0), pIC50 6.5) max_iterations st.slider(最大优化轮次, 1, 10, 3) start_button st.button(开始优化) # 主界面 if start_button: st.info(优化进行中...这可能需要一些时间。) # 这里应调用我们之前构建的优化引擎 # 为了演示我们模拟一个优化历史 history_data { Iteration: [0, 1, 2, 3], SMILES: [input_smiles, CC(C)Cc1ccc(cc1)C(C)C(O)OC, CC(C)Cc1ccc(cc1)C(C)C(O)N, CC(C)Cc1ccc(cc1)C(C)C(N)O], Activity: [7.2, 7.0, 6.9, 7.1], Solubility: [-2.1, -1.8, -1.5, -1.2], LogP: [3.8, 3.5, 3.2, 2.9] } df_history pd.DataFrame(history_data) col1, col2 st.columns(2) with col1: st.subheader(优化历史) st.dataframe(df_history) # 绘制属性趋势图 st.line_chart(df_history.set_index(Iteration)[[Activity, Solubility]]) with col2: st.subheader(当前最佳分子结构) current_smiles df_history.iloc[-1][SMILES] mol Chem.MolFromSmiles(current_smiles) if mol: img Draw.MolToImage(mol, size(300, 200)) st.image(img, captionfSMILES: {current_smiles}) else: st.error(无效的SMILES) st.metric(最佳活性, f{df_history.iloc[-1][Activity]}, deltaf{df_history.iloc[-1][Activity] - df_history.iloc[0][Activity]:.2f}) st.metric(最佳溶解度, f{df_history.iloc[-1][Solubility]}, deltaf{df_history.iloc[-1][Solubility] - df_history.iloc[0][Solubility]:.2f}) st.subheader(智能体决策日志) st.text_area(, value迭代 1: 分析初始分子LogP较高(3.8)可能影响溶解度。决定尝试酯化羧酸以增加极性。 - 调用 GenerateDerivatives策略酯化。 - 生成5个酯类衍生物。 - 调用 PredictActivity 和 PredictSolubility 进行筛选。 - 选择活性保持较好(7.0)、溶解度提升(-1.8)的分子C1进入下一轮。 迭代 2: 分子C1溶解度仍不理想。分析结构苯环疏水性仍强。决定尝试将苯环替换为吡啶环引入氮原子增加亲水性。 - 调用 GenerateDerivatives策略杂环替换。 - 生成新衍生物... - 筛选得到分子C2活性略有下降(6.9)但溶解度显著改善(-1.5)。, height200) st.success(优化完成找到了一个在满足活性约束下溶解度提升约0.9个Log单位的候选分子。)这个Streamlit应用提供了直观的交互界面让用户输入参数、查看优化进程和结果极大地提升了系统的可用性。5. 挑战、陷阱与进阶方向构建这样一个系统绝非易事在实际操作中你会遇到诸多挑战。以下是我从实践中总结的一些关键陷阱和应对策略。5.1 数据质量与模型可靠性垃圾进垃圾出整个智能体的决策基石是底层工具预测的准确性。如果你的活性预测模型本身误差很大或者ADMET预测工具是基于小数据集训练的那么智能体再聪明也会被误导在错误的化学空间里“优化”得热火朝天。挑战1预测模型的不确定性。AI模型会有置信区间。一个预测pIC50为8.0的分子其真实值可能在7.0到9.0之间波动。智能体如果只认预测值可能会错过真实的好分子或选中虚假的“明星分子”。应对策略在工具返回结果时同时提供不确定性估计如预测值的标准差、置信度。LLM的规划逻辑应包含对不确定性的处理例如“分子A预测活性8.5±0.3分子B预测活性8.3±0.1。虽然A的均值更高但不确定性大优先选择B进行合成验证更为稳妥。” 或者采用贝叶斯优化框架显式地权衡探索测试不确定性高的区域和利用选择预测值高的区域。挑战2评估指标的局限性。我们使用的计算指标如预测的LogS, pIC50是真实世界性质的代理。一个分子预测溶解度好并不代表它在制剂中真的稳定。过度优化代理指标可能导致“过拟合”得到计算上完美但实际无用的分子。应对策略尽早引入湿实验验证循环。智能体优化的每一代中挑选少数几个最有潜力的分子进行真实的合成与测试并将实验结果反馈给系统用于校准预测模型和指导后续搜索方向。这就是“闭环”AI驱动研发。5.2 化学合理性与合成可行性从“硅基”到“碳基”LLM和生成模型可能创造出在计算上属性优异但化学上荒谬或根本无法合成的分子。挑战3无效或不稳定结构。LLM可能生成原子价错误、张力环过大或存在高反应性官能团如氮烯的分子。应对策略在分子生成工具的输出端必须设置严格的化学过滤器。使用RDKit等库进行化学合理性检查如检查原子价、环张力、存在不稳定官能团。只有通过过滤的分子才能进入下一轮评估。可以将过滤逻辑也封装成一个工具由LLM在生成后主动调用。挑战4合成路线未知或过于复杂。一个分子需要20步才能合成且每步产率都低在现实中是不可行的。应对策略将合成可行性评估深度集成到循环中。可以使用基于规则的逆合成分析如RDChiral或AI逆合成工具如Molecular Transformer对候选分子进行快速评估并返回一个“合成可及性分数”或预估的合成步骤数。LLM在规划时需要将“易于合成”作为一个重要的优化目标或硬性约束。5.3 智能体本身的可靠性幻觉、循环与失控LLM作为规划者本身也存在问题。挑战5规划幻觉与无效循环。LLM可能陷入逻辑循环比如反复生成同一类结构或者提出一个无法被现有工具执行的计划“调用一个不存在的‘量子力学计算’工具”。应对策略严格的工具描述清晰定义工具的能力边界在提示词中强调“只能使用提供的工具”。状态监控与干预工作流引擎需要监控优化进程。如果连续多轮最佳分子没有改进或分子多样性急剧下降引擎应主动干预例如向LLM发送警告并强制其切换生成策略或者引入随机性随机选择历史中的一个中等分子作为新一轮的起点类似遗传算法中的变异。设置迭代上限和超时避免无限循环。挑战6评估标准不一致。LLM如何比较两个各有优劣的分子是活性重要0.5个单位还是溶解度重要0.3个单位缺乏量化的、一致的评估函数会导致决策摇摆。应对策略如前所述设计一个明确的、可量化的多目标评分函数。这个函数可以是加权的也可以是Pareto排序的。让LLM依据这个客观分数来做选择而不是依赖其模糊的内部判断。可以将评分函数本身也作为一个工具evaluate_molecule(smiles)返回一个综合得分和各项分项得分供LLM分析。5.4 进阶方向与扩展当你解决了上述基础问题后可以考虑以下几个进阶方向让你的分子优化智能体更加强大多智能体协作引入“专家委员会”。一个智能体专攻活性优化一个专攻毒性降低一个专攻合成路线设计。它们可以互相辩论、协作共同评估分子可能比单个全能智能体做出更平衡的决策。集成实验自动化与自动化合成平台如液体处理机器人、流动化学和高速筛选平台连接。智能体设计出的分子可以直接下发指令进行自动化合成与测试实验结果自动返回并更新模型实现全闭环、高周转的“自动驾驶实验室”。知识增强与检索为LLM配备一个庞大的化学文献和专利数据库通过RAG技术。当智能体面对一个棘手的结构优化问题时它可以先“查阅文献”看看历史上类似问题是如何解决的从而获得灵感避免重复造轮子。可解释性与化学家交互智能体不应是一个黑箱。它需要能解释自己的决策“我建议在这个位置引入一个氯原子因为根据训练数据类似结构的分子中此处的氯取代与肝毒性降低有85%的相关性。” 提供这样的解释能帮助化学家理解、信任并最终采纳AI的建议形成人机协同的增强模式。构建一个真正高效、可靠的“Molecular Lead Optimization via Agentic Tool Planning”系统是一条融合了计算化学、机器学习、软件工程和药物研发知识的漫长道路。它不是一个可以一蹴而就的简单脚本而是一个需要精心设计、迭代和验证的复杂系统工程。但毫无疑问它代表了AI赋能科学发现的最前沿方向之一其潜力足以重塑我们发明新药、新材料的方式。从今天这个简单的原型开始每一步深入的探索都可能让我们离那个未来更近一点。 基于Agentic Tool Planning的分子先导化合物优化：AI化学家的自主实验
1. 项目概述当AI“化学家”学会自己动手做实验“分子先导化合物优化”这听起来像是制药公司研发部门里最核心、最烧钱也最耗时的环节。没错传统上这确实是一群顶尖化学家和生物学家在实验室里日复一日地合成、测试、分析试图将一个有潜力的“苗头化合物”打磨成能进入临床的“候选药物”。这个过程充满了试错成本动辄以千万美元计周期则以年为单位。但现在情况正在发生根本性的变化。我们谈论的“Molecular Lead Optimization via Agentic Tool Planning”本质上是在构建一个能自主执行这一复杂优化流程的AI智能体。它不再是一个被动的预测模型只告诉你“这个分子可能活性不错”而是一个主动的“规划者”和“执行者”它能理解优化目标比如提高活性、降低毒性、改善溶解性自主调用各种计算工具如分子对接、ADMET预测、合成可行性评估分析结果并据此设计出下一批待测试的虚拟分子循环往复直到找到最优解。你可以把它想象成一个不知疲倦、且知识渊博的“AI化学家”。它的大脑是一个大型语言模型不仅存储了海量的化学知识和反应规则更重要的是它具备了“规划”和“使用工具”的能力。它的“手”和“眼睛”则是一系列专业的计算化学软件和数据库。LLM负责思考“下一步该做什么”然后指挥这些工具去执行具体的计算任务最后再解读计算结果制定新的策略。这就是“Agentic Tool Planning”的精髓智能体化的工具规划与执行。这项技术适合谁首先是药物研发领域的科研人员和工程师他们可以借此大幅提升虚拟筛选和早期药物发现的效率。其次是AI for Science的研究者这是一个将AI能力深度融入科学发现范式的绝佳案例。甚至对于机器学习工程师来说这也是一个构建复杂、多步骤AI智能体的高级实践场景。无论你是想了解AI如何变革传统科研还是想亲手搭建一个能解决实际科学问题的智能体系统这个主题都充满了吸引力与挑战。2. 核心架构设计构建一个会“思考”和“动手”的分子优化智能体要理解这个系统如何工作我们需要拆解它的核心架构。这不像训练一个单一的预测模型那么简单它更像是在设计一个微型公司的运作流程有决策层、执行层和反馈循环。2.1 智能体核心LLM作为“首席战略官”整个系统的“大脑”是一个大型语言模型。但这里对LLM的要求远不止文本生成。它需要扮演三个关键角色任务理解与分解者当接收到一个优化目标如“优化分子M001在保持对靶点蛋白P活性IC50 10nM的前提下将预测的肝毒性风险降低50%”LLM需要将其分解为一系列可执行子任务。例如a) 分析M001的现有属性b) 调用工具预测其肝毒性相关指标c) 基于化学知识生成一批结构相似的衍生物d) 对这批衍生物并行执行活性和毒性预测e) 分析结果选择最有潜力的方向进行下一轮生成。工具调用规划者这是“Tool Planning”的核心。系统会为LLM提供一个“工具包”每个工具都有明确的功能描述、输入格式和输出格式。例如工具Apredict_activity(molecule_smiles, target_pdb)- 返回预测的pIC50值。工具Bpredict_toxicity(molecule_smiles)- 返回肝毒性、心脏毒性等多项指标。工具Cgenerate_analogues(molecule_smiles, modification_strategy)- 返回一组类似物的SMILES字符串。 LLM需要根据当前任务状态决定调用哪个工具、以什么参数调用、以及如何处理工具的返回结果。这要求LLM对化学领域有足够深的理解才能做出合理的规划。结果分析与决策者工具执行后会产生数据如一系列数字和分子结构。LLM需要解读这些数据“分子M001的活性很好但毒性指标CYP3A4抑制很强。生成的衍生物中M001-05活性略有下降但毒性显著降低这是一个有价值的权衡。下一步应该围绕M001-05的核心结构尝试微调侧链以恢复活性。”实操心得LLM的选择至关重要。通用模型如GPT-4在逻辑规划和工具调用上表现优异但可能缺乏深度的化学知识。更好的方案是使用在大量化学文献和专利上微调过的专业模型或采用“通用规划LLM 化学知识检索增强”的混合架构。直接使用未经领域适配的模型它可能会提出一些化学上不合理甚至无法合成的修改建议。2.2 工具生态智能体的“双手”与“仪器库”智能体的大脑再聪明也需要可靠的“手”来操作“仪器”。这里的工具通常是封装好的函数、API或本地执行脚本。一个完整的分子优化智能体其工具库通常包含以下几类属性预测工具这是基础。包括基于QSAR/QSPR的模型、深度学习模型如Graph Neural Networks等用于预测活性、毒性ADMET、溶解性、渗透性等关键性质。这些模型可以是公开的如RDKit的Descriptor计算、DeepChem库中的模型也可以是团队内部训练的私有模型。分子生成与修饰工具这是优化的“发动机”。方法多样基于规则的生成使用化学反应SMARTS模式在特定位点进行官能团替换、环化、断裂等。基于模型的生成使用VAE、GAN或扩散模型在化学空间中进行采样和生成。片段连接/生长从片段库中选取片段连接到先导化合物的骨架上。分子对接与模拟工具提供更精细的相互作用洞察。如AutoDock Vina, GROMACS等。由于计算成本高通常不会对每一代所有分子都进行而是作为对精选分子的“深入验证”工具。合成可行性评估工具如基于反应规则的逆合成分析工具RDChiral, ASKCOS或基于AI的合成路线预测Molecular Transformer用于评估设计出的分子是否容易合成避免设计出“纸上分子”。数据库与知识检索工具连接内部化合物库或公共数据库如ChEMBL, PubChem用于查重、获取类似物数据、或进行子结构检索确保新颖性并避免重复工作。这些工具需要被标准化封装提供清晰的API接口。例如一个典型的工具调用请求和响应可能是这样的# LLM或调度器发出的请求 tool_call { tool_name: predict_admet, parameters: { smiles: CC(O)OC1CCCCC1C(O)O, # 阿司匹林的SMILES properties: [caco2_permeability, cyp2d6_inhibition, hERG_inhibition] } } # 工具返回的响应 tool_response { caco2_permeability: -4.52, # logPapp cyp2d6_inhibition: 0.15, # 概率 hERG_inhibition: 0.87, # 概率高风险 interpretation: 该分子表现出较高的hERG抑制风险可能导致心脏毒性。 }2.3 工作流引擎 orchestration 与状态管理智能体不是运行一次就结束它要管理一个多步骤、多循环的优化流程。这就需要一個工作流引擎或Orchestrator。它的职责包括状态跟踪维护当前优化轮次、已评估的分子列表、它们的各项属性、以及历史决策记录。这通常用一个结构化的“状态字典”或数据库来维护。流程控制决定何时开始新一轮生成何时因为性能停滞而触发探索策略何时满足终止条件如找到符合所有标准的分子或达到最大迭代次数而停止。任务调度与并行当LLM规划出“对100个新分子预测活性”的任务时引擎需要将这100个任务分发给多个预测工具实例并行执行以提升效率。异常处理处理工具调用失败如服务器超时、输入格式错误、LLM输出不符合预期如生成无效的SMILES等情况并尝试恢复或记录错误。在实践中这个引擎可以用Python脚本配合像LangChain、LlamaIndex这类智能体框架来构建也可以使用更通用的工作流工具如Prefect、Airflow甚至是为科学计算设计的平台如Nextflow。注意事项工作流的设计必须足够健壮。化学空间极其庞大智能体很容易陷入局部最优反复生成同一类微调结构。因此引擎中需要内置一些“探索-利用”平衡机制例如定期引入随机突变、切换到不同的分子生成策略、或者基于多样性指标对生成池进行筛选迫使智能体探索新的化学区域。3. 关键技术与实现细节拆解有了架构蓝图我们深入看看几个关键环节是如何具体实现的。这些细节决定了智能体是“花架子”还是真正能产出的“实干家”。3.1 分子表示与工具交互的语言SMILES与JSON智能体和工具之间需要一种无歧义的通信语言。在化学领域SMILES字符串是表示分子结构的标准“语言”。它是分子二维结构的一维线性表示例如“水”是O“乙醇”是CCO。所有工具几乎都接受SMILES作为输入并输出SMILES或与之相关的属性。因此LLM必须精通SMILES语法。它生成的分子修改建议、它解析工具返回的新分子列表都依赖于对SMILES的正确理解和生成。一个常见的陷阱是LLM生成无效的SMILES原子价错误、环不闭合。解决方案是在工具调用层增加一个语法验证和修复步骤。例如在将LLM生成的SMILES发送给预测工具前先用RDKit检查其有效性如果无效则将其反馈给LLM要求重试或修正。工具调用的格式通常采用JSON Schema来规范。你需要在给LLM的系统提示词中明确定义每个工具的“功能描述”、“输入参数schema”和“输出示例”。这能极大提升LLM调用工具的准确率。例如你是一个化学分子优化智能体。你可以使用以下工具 - 工具分子属性预测器 - 描述预测给定分子的生物活性和ADMET性质。 - 输入{smiles: string, target: string (optional)} - 输出{activity_pIC50: float, lipinski_rule_of_five: dict, toxicity_alert: list} - 工具分子类似物生成器 - 描述基于输入分子生成一系列结构类似的衍生物。 - 输入{smiles: string, num_variants: int, strategy: scaffold_hopping|side_chain_mod} - 输出{generated_smiles: [str1, str2, ...], modification_log: str}3.2 规划策略的设计从单步反应到多轮战役LLM的规划能力不是天生的需要引导和设计。规划策略大致分为几个层次反应式规划这是最简单的。LLM分析当前状态如分子A毒性高直接调用“降低毒性”的工具。这适用于简单、明确的问题。多步序列规划对于复杂目标LLM需要规划一个步骤序列。例如“1. 预测M001的所有ADMET性质2. 识别出关键缺陷如溶解度低3. 针对性地生成提高溶解度的衍生物4. 预测这批衍生物的活性确保活性不丧失5. 对最优的几个进行合成可行性评估。” LLM需要维持一个任务栈或思维链。基于评估的迭代规划这是分子优化的核心循环。LLM不仅规划单轮操作还要管理多轮迭代。它需要制定每一轮的策略“本轮专注于优化logP”并根据上一轮的结果“logP改善了但活性跌太多”动态调整下一轮的策略“下一轮在保持当前logP的基础上尝试恢复活性”。这通常需要引擎提供清晰的“历史轮次总结”作为上下文给LLM。一个有效的技巧是使用“Few-Shot Prompting”在系统提示词中给出几个完整的规划示例。例如示例1 状态先导化合物L-1活性高(8.5)但clogP过高(5.2)可能口服生物利用度差。 目标在保持活性8.0的前提下降低clogP至3。 思考clogP过高通常由于疏水基团过多。我可以尝试用极性基团如羟基、胺基替换苯环上的疏水取代基或者引入可离子化基团如羧酸来增加亲水性。但改动要保守以免破坏药效团。 规划1. 调用‘generate_analogues’策略为‘polar_group_substitution’生成20个类似物。2. 调用‘predict_properties’批量预测这20个类似物的活性和clogP。3. 分析结果挑选clogP3.5且活性8.0的分子进入下一轮。3.3 评估函数与多目标优化平衡的艺术分子优化从来不是单一目标。我们几乎总是在多目标优化的权衡中活性 vs. 毒性 vs. 药代动力学性质 vs. 合成难度。智能体需要一个明确的评估函数来量化每个分子的“好坏”并指导搜索方向。一个常见的做法是构建一个加权求和评分Score w1 * Activity_Score w2 * Toxicity_Score w3 * PK_Score ...其中每个分项都需要归一化到相近的量纲如0-1之间1代表最优。Activity_Score可以是pIC50的sigmoid转换Toxicity_Score可以是多个毒性指标风险的逆函数。更高级的方法是采用Pareto前沿优化。智能体不再追求单一分数最高而是寻找一系列“非支配解”——在这些解中你无法在不损害至少一个其他指标的情况下进一步改进某个指标。LLM和引擎需要协作来识别和保留每一代中的Pareto最优分子并鼓励向Pareto前沿的空白区域探索。实操心得权重的设置是门艺术且可能随优化阶段变化。早期可能更看重活性后期更关注安全性。一个实用的策略是设置“硬约束”和“软目标”。硬约束如活性必须阈值某毒性必须无风险必须满足不满足的分子直接淘汰。软目标如logP尽可能低则用于在满足硬约束的分子中进行排序。LLM的规划可以围绕“先满足所有硬约束”来展开。4. 系统搭建实操从零构建一个原型理论说了这么多我们来动手搭建一个最小可行系统。这里我以一个简化场景为例优化一个已知的分子在保持预测活性不显著下降的前提下改善其溶解性用LogS预测值衡量。4.1 环境准备与工具封装首先我们需要一个Python环境并安装核心库。# 创建环境 conda create -n mol_agent python3.10 conda activate mol_agent # 安装核心化学信息学库 pip install rdkit-pypi deepchem pandas numpy # 安装智能体框架这里以LangChain为例但核心逻辑可自行实现 pip install langchain langchain-openai # 安装用于web应用演示的库可选 pip install streamlit接下来封装几个最基础的工具函数。我们将它们写成普通的Python函数但后续可以被LLM智能体调用。import logging from rdkit import Chem from rdkit.Chem import Descriptors, Crippen from rdkit.Chem import AllChem from rdkit.Chem.Descriptors import MolLogP import numpy as np logging.basicConfig(levellogging.INFO) logger logging.getLogger(__name__) class ChemistryTools: 一组简单的化学计算工具 staticmethod def validate_smiles(smiles: str) - dict: 验证SMILES字符串是否有效。 mol Chem.MolFromSmiles(smiles) if mol is None: return {valid: False, error: 无法解析SMILES} try: Chem.SanitizeMol(mol) return {valid: True, canonical_smiles: Chem.MolToSmiles(mol)} except Exception as e: return {valid: False, error: f分子 sanitization 失败: {e}} staticmethod def predict_activity_simple(smiles: str) - float: 一个极其简化的活性预测函数。 现实中这里应该接入一个训练好的QSAR/深度学习模型。 此处我们用一个基于分子量的虚构函数模拟。 mol Chem.MolFromSmiles(smiles) if mol is None: return -999.0 mol_weight Descriptors.MolWt(mol) # 模拟假设某个理想分子量附近活性最高 base_activity 8.0 penalty abs(mol_weight - 350) / 1000 # 虚构的惩罚项 predicted_pic50 base_activity - penalty return round(predicted_pic50, 2) staticmethod def predict_logs_simple(smiles: str) - float: 预测水溶解度LogS。同样为简化模拟。 使用RDKit的描述符进行粗略估算。 mol Chem.MolFromSmiles(smiles) if mol is None: return 999.0 # 无效分子返回极差溶解度 logp Crippen.MolLogP(mol) # 计算LogP tpsa Descriptors.TPSA(mol) # 计算极性表面积 # 一个非常粗略的经验公式LogS ~ -LogP 0.01*TPSA - 2 estimated_logs -logp 0.01 * tpsa - 2 return round(estimated_logs, 2) staticmethod def generate_derivatives(smiles: str, num_variants: int 5) - list: 生成衍生物。这里实现一个简单的策略随机替换氢原子为氯或羟基。 实际应用应使用更复杂的反应规则或生成模型。 from rdkit.Chem import rdMolDescriptors mol Chem.MolFromSmiles(smiles) if mol is None: return [] results [] for _ in range(num_variants * 3): # 尝试多次以获得足够有效分子 # 复制分子 new_mol Chem.Mol(mol) # 获取可取代的氢原子这里简化处理选择重原子 atoms [atom for atom in new_mol.GetAtoms() if atom.GetAtomicNum() in [6,7,8] and atom.GetTotalNumHs() 0] if not atoms: continue target_atom np.random.choice(atoms) # 随机选择取代基 replacement np.random.choice([Cl, OH]) # 这里省略了实际的化学反应操作这是一个复杂的步骤 # 简化我们直接修改原子类型这在实际化学中是不正确的仅用于演示 # 实际项目应使用RDKit的化学反应功能或专业库。 # 为了演示我们生成一个随机的类似SMILES original_smiles Chem.MolToSmiles(mol) # 这是一个占位符代表生成了新结构 # 现实中这里应调用专业的分子生成函数 fake_new_smiles original_smiles replacement # 这显然是无效的仅示意 # 我们用一个更实际的模拟返回原分子加上编号模拟生成了不同结构 # 实际开发中请替换为真实的分子生成算法 variant_smiles f{original_smiles}.{_} # 占位符 # 验证生成的SMILES占位符无法验证跳过 # 将原分子的一个碳原子随机改为氮原子来模拟变化一个简单且常有效的改变 # 这里为了代码可运行我们直接返回原分子标记 # 真实场景请使用如mols2grid或专业生成库 results.append(variant_smiles) if len(results) num_variants: break # 返回一个模拟的列表实际应为真实的新SMILES # 此处返回原分子随机后缀作为演示 return [f{smiles}.mod{i} for i in range(num_variants)]4.2 构建智能体与规划逻辑现在我们利用LangChain来构建一个能调用上述工具的智能体。我们使用OpenAI的模型作为“大脑”。import os from langchain.agents import AgentExecutor, create_openai_tools_agent from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain.tools import Tool from langchain.memory import ConversationBufferMemory from pydantic import BaseModel, Field from typing import Optional # 假设你已经设置了OPENAI_API_KEY环境变量 # os.environ[OPENAI_API_KEY] your-api-key # 1. 将我们的工具函数包装成LangChain Tool tools [ Tool( nameValidateMolecule, funcChemistryTools.validate_smiles, description验证一个SMILES字符串是否代表有效的化学分子并返回其规范SMILES。输入应为单个SMILES字符串。 ), Tool( namePredictActivity, funcChemistryTools.predict_activity_simple, description预测给定分子的生物活性模拟pIC50值越高越好。输入为一个有效的SMILES字符串。 ), Tool( namePredictSolubility, funcChemistryTools.predict_logs_simple, description预测给定分子的水溶解度模拟LogS值越高表示溶解度越好。输入为一个有效的SMILES字符串。 ), Tool( nameGenerateDerivatives, funcChemistryTools.generate_derivatives, description基于输入分子生成一系列结构衍生物。输入为SMILES字符串和可选的数量默认5。返回一个SMILES列表。 ), ] # 2. 创建提示词模板指导LLM如何扮演角色和规划 system_prompt 你是一个专业的计算化学家AI助手专门负责分子先导化合物的优化。 你的目标是根据用户的要求通过调用工具来分析和优化分子结构。 你拥有以下工具{tool_names}。 工具使用规则 1. 在决定使用工具前先明确你的目标。 2. 每次只调用一个工具并等待结果。 3. 仔细分析工具返回的结果再决定下一步。 4. 对于分子始终使用规范的SMILES字符串进行交流。 5. 如果工具调用失败或返回意外结果分析原因并尝试调整策略。 当前优化任务改善目标分子的溶解性LogS同时尽可能保持其生物活性pIC50。 请开始你的工作。用户会提供初始分子的SMILES。 prompt ChatPromptTemplate.from_messages([ (system, system_prompt), MessagesPlaceholder(variable_namechat_history), (human, {input}), MessagesPlaceholder(variable_nameagent_scratchpad), ]) # 3. 初始化LLM和智能体 llm ChatOpenAI(modelgpt-4-turbo-preview, temperature0) # 低温度保证决策稳定 memory ConversationBufferMemory(memory_keychat_history, return_messagesTrue) # 创建智能体 agent create_openai_tools_agent(llm, tools, prompt) agent_executor AgentExecutor(agentagent, toolstools, memorymemory, verboseTrue, handle_parsing_errorsTrue) # 4. 运行一个简单的优化循环模拟 def run_simple_optimization(start_smiles: str, max_iter: int 3): 运行一个简化的多轮优化循环。 current_best { smiles: start_smiles, activity: ChemistryTools.predict_activity_simple(start_smiles), solubility: ChemistryTools.predict_logs_simple(start_smiles) } print(f初始分子: {current_best[smiles]}) print(f 初始活性: {current_best[activity]}, 初始溶解度(LogS): {current_best[solubility]}) for iteration in range(max_iter): print(f\n 第 {iteration1} 轮优化 ) # 构建给智能体的提示分析当前最佳分子并生成新想法 prompt_input f 我们目前最好的分子是{current_best[smiles]} 其属性为活性(pIC50){current_best[activity]}, 溶解度(LogS){current_best[solubility]}。 我们的目标是提升溶解度同时保持活性不低于 {current_best[activity] - 0.5}允许小幅下降。 请分析现状并规划下一步行动。你可以 1. 先生成一些衍生物。 2. 然后预测它们的活性和溶解度。 3. 从中选出最有潜力的一个作为新的候选。 请开始执行。 try: response agent_executor.invoke({input: prompt_input}) print(f智能体回复: {response[output][:500]}...) # 截断长输出 # 在实际系统中你需要从智能体的交互历史中解析出它最终选出的新分子SMILES和其预测属性。 # 这里我们模拟一下假设智能体通过工具调用找到了一批分子并推荐了其中一个。 # 我们简单地调用生成工具并手动评估选择最好的。 print(模拟智能体正在生成并评估衍生物...) new_smiles_list ChemistryTools.generate_derivatives(current_best[smiles], num_variants5) candidates [] for smi in new_smiles_list: act ChemistryTools.predict_activity_simple(smi) sol ChemistryTools.predict_logs_simple(smi) candidates.append({smiles: smi, activity: act, solubility: sol}) # 选择策略溶解度提升最大且活性下降不超过阈值 filtered [c for c in candidates if c[activity] current_best[activity] - 0.5] if filtered: # 按溶解度排序 filtered.sort(keylambda x: x[solubility], reverseTrue) new_best filtered[0] print(f本轮最佳候选: {new_best[smiles]}) print(f 活性: {new_best[activity]}, 溶解度: {new_best[solubility]}) # 检查是否有改进 if new_best[solubility] current_best[solubility]: current_best new_best print(f 溶解度提升更新当前最佳分子。) else: print(f 未发现溶解度更好的分子。保持原最佳分子。) # 可以在此处引入随机突变或改变策略避免陷入局部最优 else: print(未找到满足活性约束的衍生物。尝试调整生成策略。) except Exception as e: print(f第{iteration1}轮迭代发生错误: {e}) break print(f\n优化结束。最终最佳分子: {current_best[smiles]}) print(f最终活性: {current_best[activity]}, 最终溶解度: {current_best[solubility]}) return current_best # 用一个示例分子运行例如布洛芬的类似物SMILES较简单 if __name__ __main__: start_smiles CC(C)Cc1ccc(cc1)C(C)C(O)O # 一个虚构的简化分子 final_molecule run_simple_optimization(start_smiles, max_iter2)这个代码示例展示了一个极度简化的原型。它包含了工具封装、智能体构建和一个手动管理的优化循环。在真实系统中优化循环的逻辑生成、评估、选择应该更多地由LLM来规划和决策而框架如LangChain主要负责调度和状态管理。4.3 可视化与交互界面为了让化学家更方便地使用和信任这个系统一个可视化界面至关重要。Streamlit是一个快速构建Web应用的绝佳选择。它可以展示分子结构、属性变化趋势图和优化历史。# app.py - Streamlit 应用 import streamlit as st import pandas as pd from rdkit.Chem import Draw from rdkit.Chem.Draw import IPythonConsole from PIL import Image import io st.title(分子先导化合物优化智能体原型) st.markdown(输入一个先导化合物的SMILES启动AI智能体进行自动优化。) # 侧边栏输入 with st.sidebar: st.header(优化参数) input_smiles st.text_input(初始分子SMILES, valueCC(C)Cc1ccc(cc1)C(C)C(O)O) target_property st.selectbox(主要优化目标, [溶解度(LogS), 活性(pIC50), 类药性(LogP)]) constraint st.text_input(约束条件 (如: pIC50 7.0), pIC50 6.5) max_iterations st.slider(最大优化轮次, 1, 10, 3) start_button st.button(开始优化) # 主界面 if start_button: st.info(优化进行中...这可能需要一些时间。) # 这里应调用我们之前构建的优化引擎 # 为了演示我们模拟一个优化历史 history_data { Iteration: [0, 1, 2, 3], SMILES: [input_smiles, CC(C)Cc1ccc(cc1)C(C)C(O)OC, CC(C)Cc1ccc(cc1)C(C)C(O)N, CC(C)Cc1ccc(cc1)C(C)C(N)O], Activity: [7.2, 7.0, 6.9, 7.1], Solubility: [-2.1, -1.8, -1.5, -1.2], LogP: [3.8, 3.5, 3.2, 2.9] } df_history pd.DataFrame(history_data) col1, col2 st.columns(2) with col1: st.subheader(优化历史) st.dataframe(df_history) # 绘制属性趋势图 st.line_chart(df_history.set_index(Iteration)[[Activity, Solubility]]) with col2: st.subheader(当前最佳分子结构) current_smiles df_history.iloc[-1][SMILES] mol Chem.MolFromSmiles(current_smiles) if mol: img Draw.MolToImage(mol, size(300, 200)) st.image(img, captionfSMILES: {current_smiles}) else: st.error(无效的SMILES) st.metric(最佳活性, f{df_history.iloc[-1][Activity]}, deltaf{df_history.iloc[-1][Activity] - df_history.iloc[0][Activity]:.2f}) st.metric(最佳溶解度, f{df_history.iloc[-1][Solubility]}, deltaf{df_history.iloc[-1][Solubility] - df_history.iloc[0][Solubility]:.2f}) st.subheader(智能体决策日志) st.text_area(, value迭代 1: 分析初始分子LogP较高(3.8)可能影响溶解度。决定尝试酯化羧酸以增加极性。 - 调用 GenerateDerivatives策略酯化。 - 生成5个酯类衍生物。 - 调用 PredictActivity 和 PredictSolubility 进行筛选。 - 选择活性保持较好(7.0)、溶解度提升(-1.8)的分子C1进入下一轮。 迭代 2: 分子C1溶解度仍不理想。分析结构苯环疏水性仍强。决定尝试将苯环替换为吡啶环引入氮原子增加亲水性。 - 调用 GenerateDerivatives策略杂环替换。 - 生成新衍生物... - 筛选得到分子C2活性略有下降(6.9)但溶解度显著改善(-1.5)。, height200) st.success(优化完成找到了一个在满足活性约束下溶解度提升约0.9个Log单位的候选分子。)这个Streamlit应用提供了直观的交互界面让用户输入参数、查看优化进程和结果极大地提升了系统的可用性。5. 挑战、陷阱与进阶方向构建这样一个系统绝非易事在实际操作中你会遇到诸多挑战。以下是我从实践中总结的一些关键陷阱和应对策略。5.1 数据质量与模型可靠性垃圾进垃圾出整个智能体的决策基石是底层工具预测的准确性。如果你的活性预测模型本身误差很大或者ADMET预测工具是基于小数据集训练的那么智能体再聪明也会被误导在错误的化学空间里“优化”得热火朝天。挑战1预测模型的不确定性。AI模型会有置信区间。一个预测pIC50为8.0的分子其真实值可能在7.0到9.0之间波动。智能体如果只认预测值可能会错过真实的好分子或选中虚假的“明星分子”。应对策略在工具返回结果时同时提供不确定性估计如预测值的标准差、置信度。LLM的规划逻辑应包含对不确定性的处理例如“分子A预测活性8.5±0.3分子B预测活性8.3±0.1。虽然A的均值更高但不确定性大优先选择B进行合成验证更为稳妥。” 或者采用贝叶斯优化框架显式地权衡探索测试不确定性高的区域和利用选择预测值高的区域。挑战2评估指标的局限性。我们使用的计算指标如预测的LogS, pIC50是真实世界性质的代理。一个分子预测溶解度好并不代表它在制剂中真的稳定。过度优化代理指标可能导致“过拟合”得到计算上完美但实际无用的分子。应对策略尽早引入湿实验验证循环。智能体优化的每一代中挑选少数几个最有潜力的分子进行真实的合成与测试并将实验结果反馈给系统用于校准预测模型和指导后续搜索方向。这就是“闭环”AI驱动研发。5.2 化学合理性与合成可行性从“硅基”到“碳基”LLM和生成模型可能创造出在计算上属性优异但化学上荒谬或根本无法合成的分子。挑战3无效或不稳定结构。LLM可能生成原子价错误、张力环过大或存在高反应性官能团如氮烯的分子。应对策略在分子生成工具的输出端必须设置严格的化学过滤器。使用RDKit等库进行化学合理性检查如检查原子价、环张力、存在不稳定官能团。只有通过过滤的分子才能进入下一轮评估。可以将过滤逻辑也封装成一个工具由LLM在生成后主动调用。挑战4合成路线未知或过于复杂。一个分子需要20步才能合成且每步产率都低在现实中是不可行的。应对策略将合成可行性评估深度集成到循环中。可以使用基于规则的逆合成分析如RDChiral或AI逆合成工具如Molecular Transformer对候选分子进行快速评估并返回一个“合成可及性分数”或预估的合成步骤数。LLM在规划时需要将“易于合成”作为一个重要的优化目标或硬性约束。5.3 智能体本身的可靠性幻觉、循环与失控LLM作为规划者本身也存在问题。挑战5规划幻觉与无效循环。LLM可能陷入逻辑循环比如反复生成同一类结构或者提出一个无法被现有工具执行的计划“调用一个不存在的‘量子力学计算’工具”。应对策略严格的工具描述清晰定义工具的能力边界在提示词中强调“只能使用提供的工具”。状态监控与干预工作流引擎需要监控优化进程。如果连续多轮最佳分子没有改进或分子多样性急剧下降引擎应主动干预例如向LLM发送警告并强制其切换生成策略或者引入随机性随机选择历史中的一个中等分子作为新一轮的起点类似遗传算法中的变异。设置迭代上限和超时避免无限循环。挑战6评估标准不一致。LLM如何比较两个各有优劣的分子是活性重要0.5个单位还是溶解度重要0.3个单位缺乏量化的、一致的评估函数会导致决策摇摆。应对策略如前所述设计一个明确的、可量化的多目标评分函数。这个函数可以是加权的也可以是Pareto排序的。让LLM依据这个客观分数来做选择而不是依赖其模糊的内部判断。可以将评分函数本身也作为一个工具evaluate_molecule(smiles)返回一个综合得分和各项分项得分供LLM分析。5.4 进阶方向与扩展当你解决了上述基础问题后可以考虑以下几个进阶方向让你的分子优化智能体更加强大多智能体协作引入“专家委员会”。一个智能体专攻活性优化一个专攻毒性降低一个专攻合成路线设计。它们可以互相辩论、协作共同评估分子可能比单个全能智能体做出更平衡的决策。集成实验自动化与自动化合成平台如液体处理机器人、流动化学和高速筛选平台连接。智能体设计出的分子可以直接下发指令进行自动化合成与测试实验结果自动返回并更新模型实现全闭环、高周转的“自动驾驶实验室”。知识增强与检索为LLM配备一个庞大的化学文献和专利数据库通过RAG技术。当智能体面对一个棘手的结构优化问题时它可以先“查阅文献”看看历史上类似问题是如何解决的从而获得灵感避免重复造轮子。可解释性与化学家交互智能体不应是一个黑箱。它需要能解释自己的决策“我建议在这个位置引入一个氯原子因为根据训练数据类似结构的分子中此处的氯取代与肝毒性降低有85%的相关性。” 提供这样的解释能帮助化学家理解、信任并最终采纳AI的建议形成人机协同的增强模式。构建一个真正高效、可靠的“Molecular Lead Optimization via Agentic Tool Planning”系统是一条融合了计算化学、机器学习、软件工程和药物研发知识的漫长道路。它不是一个可以一蹴而就的简单脚本而是一个需要精心设计、迭代和验证的复杂系统工程。但毫无疑问它代表了AI赋能科学发现的最前沿方向之一其潜力足以重塑我们发明新药、新材料的方式。从今天这个简单的原型开始每一步深入的探索都可能让我们离那个未来更近一点。 RELATED READING
延伸阅读
更多一线实战笔记与深度复盘，助您持续精进
![从 result[:k] 看 Pythonic 与 C 语言：一段跨越三十年的对话楔子：一行代码的凝视](http://pic.xiahunao.cn/yaotu/从 result[:k] 看 Pythonic 与 C 语言：一段跨越三十年的对话楔子：一行代码的凝视)
