Мо-цзы: Управляемая автономия для агентов больших языковых моделей в области разработки лекарственных средств
Mozi: Governed Autonomy for Drug Discovery LLM Agents
March 4, 2026
Авторы: He Cao, Siyu Liu, Fan Zhang, Zijing Liu, Hao Li, Bin Feng, Shengyuan Bai, Leqing Chen, Kai Xie, Yu Li
cs.AI
Аннотация
Инструментально расширенные агенты на основе больших языковых моделей (LLM) обещают объединить научное мышление с вычислениями, однако их внедрение в критически важных областях, таких как разработка лекарств, сдерживается двумя ключевыми барьерами: отсутствием регулируемого управления использованием инструментов и низкой надежностью при решении долгосрочных задач. В фармацевтических процессах с высокой взаимозависимостью автономные агенты часто отклоняются в неповторимые траектории, где ошибки на ранних стадиях мультипликативно накапливаются и приводят к неудачам на последующих этапах. Для преодоления этого мы представляем Mozi — двухуровневую архитектуру, которая объединяет гибкость генеративного ИИ с детерминированной строгостью вычислительной биологии. Уровень А (Плоскость управления) устанавливает регулируемую иерархию «супервизор-исполнитель», которая обеспечивает изоляцию инструментов по ролям, ограничивает выполнение задач заданными пространствами действий и управляет перепланированием на основе рефлексии. Уровень Б (Плоскость рабочих процессов) реализует канонические этапы разработки лекарств — от идентификации мишени до оптимизации лидера — в виде состоятельных, композируемых графов навыков. Этот уровень интегрирует строгие контракты данных и стратегические контрольные точки с участием человека (HITL) для обеспечения научной обоснованности на границах принятия решений с высокой неопределенностью.
Работая на принципе «свободные рассуждения для безопасных задач, структурированное выполнение для долгосрочных процессов», Mozi предоставляет встроенные механизмы устойчивости и аудируемость на уровне трассировки для полного устранения накопления ошибок. Мы оцениваем Mozi на PharmaBench, специально созданном бенчмарке для биомедицинских агентов, демонстрируя превосходную точность оркестрации по сравнению с существующими базовыми методами. Кроме того, в сквозных терапевтических кейс-стади мы показываем способность Mozi ориентироваться в обширных химических пространствах, применять строгие фильтры токсичности и генерировать высококонкурентные in silico кандидаты, эффективно преобразуя LLM из хрупкого собеседника в надежного, управляемого коллегу-ученого.
English
Tool-augmented large language model (LLM) agents promise to unify scientific reasoning with computation, yet their deployment in high-stakes domains like drug discovery is bottlenecked by two critical barriers: unconstrained tool-use governance and poor long-horizon reliability. In dependency-heavy pharmaceutical pipelines, autonomous agents often drift into irreproducible trajectories, where early-stage hallucinations multiplicatively compound into downstream failures. To overcome this, we present Mozi, a dual-layer architecture that bridges the flexibility of generative AI with the deterministic rigor of computational biology. Layer A (Control Plane) establishes a governed supervisor--worker hierarchy that enforces role-based tool isolation, limits execution to constrained action spaces, and drives reflection-based replanning. Layer B (Workflow Plane) operationalizes canonical drug discovery stages -- from Target Identification to Lead Optimization -- as stateful, composable skill graphs. This layer integrates strict data contracts and strategic human-in-the-loop (HITL) checkpoints to safeguard scientific validity at high-uncertainty decision boundaries.
Operating on the design principle of ``free-form reasoning for safe tasks, structured execution for long-horizon pipelines,'' Mozi provides built-in robustness mechanisms and trace-level audibility to completely mitigate error accumulation. We evaluate Mozi on PharmaBench, a curated benchmark for biomedical agents, demonstrating superior orchestration accuracy over existing baselines. Furthermore, through end-to-end therapeutic case studies, we demonstrate Mozi's ability to navigate massive chemical spaces, enforce stringent toxicity filters, and generate highly competitive in silico candidates, effectively transforming the LLM from a fragile conversationalist into a reliable, governed co-scientist.