Onderzoekers hebben een nieuw optimalisatiekader genaamd PROBE ontwikkeld om de effectiviteit van Large Language Model (LLM) agents bij het ontwerpen van medicijnen te verbeteren. De methode bootst de werkwijze van medicinale chemici na om de balans tussen bindingsaffiniteit en druggability te optimaliseren.
Binnen het vakgebied van structureel medicijnontwerp worden LLM-agents steeds vaker ingezet om liganden iteratief te verfijnen tegen een specifieke target pocket. Een fundamenteel probleem bij dit proces is dat een levensvatbaar ligand aan twee vaak tegenstrijdige doelstellingen moet voldoen: de bindingsaffiniteit (hoe sterk het medicijn bindt) en de druggability (de mate waarin een molecuul geschikte eigenschappen heeft om als medicijn te dienen). Volgens een publicatie op arxiv.org lukt het bij enkelvoudige optimalisatiestappen zelden om beide criteria tegelijkertijd te verbeteren.
Diagnostiek van huidige tekortkomingen
Om de complexiteit van dit probleem in kaart te brengen, hebben onderzoekers door Zaifei Yang twee diagnostische metrieken geïntroduceerd. De eerste metriek meet hoe vaak een enkele aanpassing in het molecuul beide doelstellingen gelijktijdig verbetert. De tweede metriek analyseert hoe vaak een winst op het ene vlak leidt tot een verlies op het andere vlak.
De toepassing van deze diagnostiek op bestaande LLM-agent pipelines onthulde een consistent falen. De huidige systemen voeren moleculaire bewerkingen uit zonder inzicht in hoe het complex van de pocket en het ligand reageert op lokale wijzigingen. Hierdoor worden gezamenlijke verbeteringen van affiniteit en druggability zelden gerealiseerd, zoals beschreven in het onderzoek .
De werking van het PROBE-raamwerk
Geïnspireerd door de praktijk van medicinale chemici, die gecontroleerde analoge bewerkingen uitvoeren voordat ze een definitieve optimaliserichting kiezen, introduceert het team het PROBE-raamwerk. Dit systeem is gebouwd rondom zogenaamde 'edit-response probing'.
Het proces van PROBE verloopt in verschillende fasen:
1. Decompositie en Site Mapping: Het ligand wordt opgesplitst in bewerkbare sites. Er wordt een pocket-specifieke 'site map' opgesteld die aangeeft waar gezamenlijke winst mogelijk is, waar de twee doelstellingen met elkaar in conflict zijn en welke problematische substructuren aangepast moeten worden.
2. Controlled Probing: Er worden gecontroleerde proefbewerkingen uitgevoerd. De reacties hierop worden vervolgens gedistilleerd in een zogenaamde 'EditManual'.
3. Iteratieve Optimalisatie: Met behulp van de site map en de EditManual stuurt PROBE een iteratieve loop aan waarbij meerdere agents samenwerken om het molecuul te optimaliseren.
Resultaten en erkenning
De effectiviteit van het nieuwe systeem is getest op de CrossDocked2020 benchmark. Volgens de auteurs van het artikel behaalt PROBE hiermee state-of-the-art prestaties. Bovendien slaagt het raamwerk erin om de eerder geïdentificeerde foutmodi, waarbij verbeteringen in de ene eigenschap ten koste gingen van de andere, aanzienlijk te verminderen.
Het wetenschappelijke werk, geschreven door Zaifei Yang, Weiyu Chen, Yaqing Wang en James Kwok, is officieel geaccepteerd voor presentatie op de conferentie . De meest recente versie van het manuscript (v3) werd op 23 oktober 2026 gepubliceerd. De onderzoekers hebben ook de bijbehorende codes beschikbaar gesteld om verdere ontwikkeling binnen de AI-gestuurde farmaceutische sector te stimuleren.