Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Правила из научной литературы превратили в проверяемые изменения аминокислотной последовательности, вместо того чтобы поручать LLM сразу написать новый пептид. На проектировании антимикробных пептидов EASER улучшил качество границы компромиссов на 24% относительно лучшего внешнего генератора, хотя работа не рецензирована и числа в ней получили сами авторы. Для подобных систем это аргумент в пользу разделения научного планирования и исполнения.
LLM выбирает вмешательство, а последовательность меняет специализированный генератор
Работа Haosen Zhang и Yang Yang из Shanghai Jiao Tong University исходит из разрыва между доказательством и исполнением. LLM может извлечь из статьи правило вроде «изменение гидрофобного участка снижает гемолиз», но из этого ещё не следует, какие аминокислоты заменить в конкретной последовательности и как сохранить антибактериальную активность.
EASER не поручает языковой модели генерировать последовательность напрямую. За это отвечает диффузионный генератор пептидов, который авторы заранее адаптировали к задаче и заморозили на время поиска.
К его выходному слою подключены матрицы малого ранга, обученные отдельно для антибактериальной активности, отсутствия гемолиза и отсутствия токсичности. Они сдвигают вероятности аминокислот при генерации. Агент может сочетать матрицы с разными коэффициентами, но не меняет их веса во время поиска.
Получается ограниченный набор исполнимых операций. LLM выбирает исходную последовательность, участки для редактирования и силу каждого управляющего воздействия. Решение опирается на найденные литературные свидетельства, свойства текущего кандидата и результаты прошлых попыток.
Перед действием агент формулирует гипотезу: какое изменение должно помочь, чем оно обосновано и какие свойства может ухудшить. Probe-and-Steer сначала проверяет четыре такие гипотезы на малых партиях, а затем отдаёт основной бюджет тем вмешательствам, которые показали лучший совместный отклик. После раунда агент связывает действия с результатами и использует эту историю при следующем выборе.
Так научный текст не становится неявной подсказкой для генератора. Он влияет на конкретные параметры поиска, а каждое предложение можно проверить до того, как система потратит на него основную часть вычислений.
Проверка гипотез оказалась важнее числа подходящих кандидатов
Авторы сравнили политики поиска при одинаковых генераторе, матрицах и пространстве действий. EASER превзошёл случайный выбор вмешательств по гиперобъёму на 15,7%. Гиперобъём показывает, насколько широкий набор сильных компромиссов система нашла между несколькими целями.
Явная формулировка ожидаемого результата и риска дала примерно в 1,6 раза больший прирост этого показателя, чем прямой выбор действий при тех же входных данных. Значит, промежуточная гипотеза здесь работает не как текстовый отчёт: она меняет решение модели.
Удаление обратной связи после раунда снизило гиперобъём на 14,1%, а отключение поиска по научным свидетельствам — на 18,2%. Самый большой ущерб дало удаление Probe-and-Steer: качество границы компромиссов упало на 33,2%, хотя фильтр пропустил больше кандидатов. Система производила больше формально подходящих последовательностей, но хуже покрывала разные сочетания активности и безопасности.
Проверка оставалась вычислительной: свойства кандидатов оценивали замороженные предикторы. Основной эксперимент охватывал короткие антимикробные пептиды и три связанные цели; перенос интерфейса отдельно проверили на предсказании способности пептидов проникать в клетки, но без полного агентного цикла.
Для переноса нужны управляемые свойства, а не замена LLM
Работа меняет планы команд, которые собирались ставить LLM непосредственно над генератором молекул. Более проверяемая схема разделяет роли: языковая модель читает свидетельства и выбирает действие, специализированная модель меняет структуру, а независимый предиктор возвращает измеримый отклик.
Перенос на другую задачу молекулярного дизайна потребует подготовить собственный исполнимый интерфейс. Нужен генератор, в который можно встроить фиксированные управляющие направления; пары предпочтительных и нежелательных примеров для их обучения; предикторы целевых свойств; корпус свидетельств и журнал прошлых вмешательств.
Probe-and-Steer имеет смысл закладывать в бюджет как отдельную стадию, а не считать служебным расходом. Работа показывает, что ранняя проверка нескольких воздействий может дать более качественную границу компромиссов, даже если без неё система выпускает больше кандидатов.
Менять производственный контур только по этим результатам рано: полный цикл проверили на одной группе пептидов и вычислительных оценках. Но для прототипа архитектурный выбор уже ясен — ограничить агент набором обученных операций, заставить его заранее записывать ожидаемый эффект и сохранять связь между вмешательством и результатом.
Источники
Иллюстрация: рисунок из статьи «Bridging the Evidence-to-Execution Gap:A Reflective Agent for Multi-Objective Peptide Design», Haosen Zhang, Yang Yang, CC BY 4.0
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
