[LG]《MADD: Multi-Agent Drug Discovery Orchestra》G V. Solovev, A B. Zhidkovskaya, A Orlova, N Gubina... [ITMO University] (2025) 在早期药物发现中，“命中分子”识别一直是核心难题，传统方法依赖大量实验资源。随着人工智能，尤其是大型语言模型（LLM）的发展，虚拟筛选技术大幅提升了效率并降低了成本，但复杂的AI工具门槛高，难以被实验室研究者充分利用。为此，本文提出了MADD（Multi-Agent Drug Discovery Orchestra）——一个多智能体系统，集成四个专职代理，能够从自然语言查询自动构建和执行定制的命中分子识别流程。MADD通过分工明确的代理分别承担任务拆解、工具调度、结果总结和用户交互，结合预训练和自动微调的分子生成模型（如GAN和Transformer CVAE）、机器学习预测模型及分子筛选工具，实现了从语义解析到生成、验证及筛选的端到端流程。该系统在阿尔茨海默症、帕金森病、多发性硬化、肺癌、血脂异常、药物耐受性等七个真实药物发现案例中表现优异，较现有LLM解决方案准确率提升显著，尤其在复杂多任务查询下最终准确率达近80%。研究团队还发布了一个包含超过300万化合物的查询-分子对及对接评分的新基准数据集，推动未来智能药物设计的标准化。MADD支持自动机器学习（AutoML）功能，能自动训练并优化生成及预测模型，提升了模型适应新疾病的能力。两项重点案例研究显示，MADD生成的分子在合成可行性、药物相似性及靶点结合亲和力方面均优于现有实验验证的化合物。此外，MADD还成功应用于未曾设计过的血小板减少症案例，验证了其强大的泛化能力和自我训练潜力。尽管MADD展现出卓越的虚拟筛选能力，其依赖用户提供高质量数据集和已知靶点信息，尚未实现对完全未知靶点的开放式发现。未来工作将致力于自动化数据整理、假设生成模块的集成，以及与实验室验证的深度结合，推动AI设计从“计算机内”走向“实验室中”，真正缩短药物开发周期。总结而言，MADD以多智能体协同架构有效整合复杂药物设计工具，实现自然语言驱动的高效分子命中识别，开创了AI优先药物发现的新篇章，其代码和数据均已开源，欢迎领域内研究者共建未来。详细内容及开源资源请见：arxiv.org/abs/2511.08217 GitHub：github.com/ITMO-NSS-team/MADD 数据集：huggingface.co/datasets/ITMO-NSS/MADD_Benchmark_and_results
