MADD: 다중 에이전트 약물 발견 오케스트라

초록

히트 후보 물질 발굴은 초기 신약 개발의 핵심 과제로, 전통적으로 상당한 실험 자원이 필요했습니다. 최근 인공지능, 특히 대규모 언어 모델(LLM)의 발전으로 비용을 절감하고 효율성을 높이는 가상 스크리닝 방법이 가능해졌습니다. 그러나 이러한 도구들의 복잡성이 증가함에 따라 실험실 연구자들의 접근성이 제한되고 있습니다. 다중 에이전트 시스템은 LLM의 해석 가능성과 전문 모델 및 도구의 정밀성을 결합하여 유망한 해결책을 제시합니다. 본 연구에서는 자연어 질의로부터 맞춤형 히트 후보 물질 발굴 파이프라인을 구축하고 실행하는 다중 에이전트 시스템인 MADD를 소개합니다. MADD는 데 노보 화합물 생성 및 스크리닝의 주요 하위 작업을 처리하기 위해 네 가지 조율된 에이전트를 활용합니다. 우리는 7개의 신약 개발 사례에 걸쳐 MADD를 평가하고 기존 LLM 기반 솔루션 대비 우수한 성능을 입증합니다. MADD를 활용하여 5개의 생물학적 표적에 대해 AI 주도 신약 설계를 최초로 적용하고 발굴된 히트 분자들을 공개합니다. 마지막으로, 약물 설계의 에이전트 기반 미래 발전에 기여하고자 3백만 개 이상의 화합물에 대한 질의-분자 쌍 및 도킹 점수로 구성된 새로운 벤치마크를 제시합니다.

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.

MADD: 다중 에이전트 약물 발견 오케스트라

MADD: Multi-Agent Drug Discovery Orchestra

초록

Support