MADD: Оркестр мультиагентного открытия лекарств

MADD: Multi-Agent Drug Discovery Orchestra

November 11, 2025

Авторы: 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

Аннотация

Идентификация лидов (хитовых соединений) является ключевой задачей на ранних этапах разработки лекарств, традиционно требующей значительных экспериментальных ресурсов. Недавние достижения в области искусственного интеллекта, в частности больших языковых моделей (LLM), позволили создать методы виртуального скрининга, снижающие затраты и повышающие эффективность. Однако растущая сложность этих инструментов ограничила их доступность для исследователей, работающих в "мокрых" лабораториях. Мульти-агентные системы предлагают перспективное решение, сочетая интерпретируемость LLM с точностью специализированных моделей и инструментов. В данной работе мы представляем MADD — мульти-агентную систему, которая строит и выполняет настроенные конвейеры идентификации лидов на основе запросов на естественном языке. MADD использует четыре скоординированных агента для выполнения ключевых подзадач в области генерации de novo соединений и их скрининга. Мы оцениваем MADD на семи примерах из области разработки лекарств и демонстрируем его превосходную производительность по сравнению с существующими решениями на основе LLM. С помощью MADD мы впервые применяем подход AI-first к дизайну лекарств для пяти биологических мишеней и публикуем идентифицированные лид-молекулы. Наконец, мы представляем новый бенчмарк, содержащий пары "запрос-молекула" и результаты докинга для более чем трех миллионов соединений, чтобы внести вклад в агентное будущее дизайна лекарств.

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.