MADD: Orquesta de Descubrimiento de Fármacos con Múltiples Agentes
MADD: Multi-Agent Drug Discovery Orchestra
November 11, 2025
Autores: Gleb V. Solovev, Alina B. Zhidkovskaya, Anastasia Orlova, Nina Gubina, Anastasia Vepreva, Rodion Golovinskii, Ilya Tonkii, Ivan Dubrovsky, Ivan Gurev, Dmitry Gilemkhanov, Denis Chistiakov, Timur A. Aliev, Ivan Poddiakov, Galina Zubkova, Ekaterina V. Skorb, Vladimir Vinogradov, Alexander Boukhanovsky, Nikolay Nikitin, Andrei Dmitrenko, Anna Kalyuzhnaya, Andrey Savchenko
cs.AI
Resumen
La identificación de compuestos activos (hits) es un desafío central en las primeras etapas del descubrimiento de fármacos, que tradicionalmente requiere recursos experimentales sustanciales. Los avances recientes en inteligencia artificial, particularmente en modelos de lenguaje de gran escala (LLMs), han permitido el desarrollo de métodos de cribado virtual que reducen costos y mejoran la eficiencia. Sin embargo, la creciente complejidad de estas herramientas ha limitado su accesibilidad para los investigadores de laboratorio experimental. Los sistemas multiagente ofrecen una solución prometedora al combinar la interpretabilidad de los LLMs con la precisión de modelos y herramientas especializadas. En este trabajo, presentamos MADD, un sistema multiagente que construye y ejecuta pipelines personalizados para la identificación de hits a partir de consultas en lenguaje natural. MADD emplea cuatro agentes coordinados para manejar subtareas clave en la generación de novo de compuestos y su cribado. Evaluamos MADD en siete casos de descubrimiento de fármacos y demostramos su rendimiento superior en comparación con las soluciones existentes basadas en LLMs. Utilizando MADD, somos pioneros en la aplicación del diseño de fármacos con enfoque en IA para cinco dianas biológicas y publicamos las moléculas hit identificadas. Finalmente, presentamos un nuevo benchmark de pares consulta-molécula y puntuaciones de acoplamiento para más de tres millones de compuestos, con el objetivo de contribuir al futuro agentivo del diseño de fármacos.
English
Hit identification is a central challenge in early drug discovery, traditionally requiring substantial experimental resources. Recent advances in artificial intelligence, particularly large language models (LLMs), have enabled virtual screening methods that reduce costs and improve efficiency. However, the growing complexity of these tools has limited their accessibility to wet-lab researchers. Multi-agent systems offer a promising solution by combining the interpretability of LLMs with the precision of specialized models and tools. In this work, we present MADD, a multi-agent system that builds and executes customized hit identification pipelines from natural language queries. MADD employs four coordinated agents to handle key subtasks in de novo compound generation and screening. We evaluate MADD across seven drug discovery cases and demonstrate its superior performance compared to existing LLM-based solutions. Using MADD, we pioneer the application of AI-first drug design to five biological targets and release the identified hit molecules. Finally, we introduce a new benchmark of query-molecule pairs and docking scores for over three million compounds to contribute to the agentic future of drug design.