论文提出可扩展的 LLM 药物发现代理，并报告基准与回顾性对比结果。
资讯摘要
论文提出 El Agente Fármaco，一个利用大语言模型把日常语言描述的药物发现目标转化为可扩展计算筛选流程的 AI 科学家。其核心是共享科学记忆 Fármaco Atlas，存储分子、结构及结果来源，代理通过定向数据库查询获取决策证据，单次请求可批量计算整组分子。作者报告，在与专家主导项目的回顾性对比中，该代理提出化学结构不同的候选分子，对接分数具竞争力，且在明确选择标准下计算药物相似性更高；在 22 项任务基准中，其模型评判平均分最高，中位累计 token 用量与峰值上下文更低。
要点速读
- 论文提出 El Agente Fármaco，用 LLM 将自然语言发现目标转为计算筛选工作流，并自动选择工具、审查结果、调整后续步骤。
- 共享科学记忆 Fármaco Atlas 存储分子、结构、结果及其来源，代理通过定向查询检索决策证据，单次请求可批量处理整组分子。
- 作者报告：回顾性对比中候选对接分数具竞争力、计算药物相似性更高；22 项任务基准中模型评判平均分最高，token 用量与峰值上下文更低。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/5 08:00:38（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。