MADD : Orchestre de Découverte de Médicaments par Agents Multiples
MADD: Multi-Agent Drug Discovery Orchestra
November 11, 2025
papers.authors: 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
papers.abstract
L'identification de molécules candidates (hits) constitue un défi central dans les premières étapes de la découverte de médicaments, nécessitant traditionnellement d'importantes ressources expérimentales. Les récents progrès de l'intelligence artificielle, en particulier des grands modèles de langage (LLM), ont permis le développement de méthodes de criblage virtuel qui réduisent les coûts et améliorent l'efficacité. Cependant, la complexité croissante de ces outils a limité leur accessibilité pour les chercheurs en laboratoire expérimental. Les systèmes multi-agents offrent une solution prometteuse en combinant l'interprétabilité des LLM avec la précision des modèles et outils spécialisés. Dans ce travail, nous présentons MADD, un système multi-agents qui construit et exécute des pipelines personnalisés d'identification de hits à partir de requêtes en langage naturel. MADD utilise quatre agents coordonnés pour gérer les sous-tâches clés de la génération de novo de composés et du criblage. Nous évaluons MADD sur sept cas de découverte de médicaments et démontrons ses performances supérieures par rapport aux solutions existantes basées sur les LLM. En utilisant MADD, nous pionnons l'application de la conception de médicaments axée sur l'IA pour cinq cibles biologiques et publions les molécules candidates identifiées. Enfin, nous introduisons un nouveau benchmark de paires requête-molécule et de scores de docking pour plus de trois millions de composés afin de contribuer à l'avenir agentique de la conception de médicaments.
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.