DrugHarness：用于计算药物发现的可演化智能体框架

计算药物发现要求智能体组合科学操作，并适应不断变化的证据与约束。在此，我们介绍 DrugHarness——一种可演化的智能体框架，将可组合的科学执行与条件式技能诱导相结合。其环境整合了80多项科学操作、生物医学资源和特定任务代码，并保留候选物、结果与产物之间的关联。DrugHarness根据执行轨迹和结果反馈，诱导出带有可观测适用条件、推荐操作及支持证据的行动假设。独立审查智能体通过来源核验，并在必要时开展有针对性的执行试验，对依据这些假设形成的候选技能进行评估。经接纳的技能将指导后续任务，并通过反馈不断修订。在 MolBench 和 SMDD-Bench 上的评估表明，该系统具备分子筛选、优化和受约束设计能力。在不进行演化的情况下，DrugHarness 在 MolBench 上的亲和力比较准确率比已报告的 MolClaw-CC 结果高出10.8个百分点，平均前三个活性命中物数量提高55%。对技能开发任务的回顾性评估显示，演化使 Qwen 的亲和力比较准确率从62.2%提升至81.1%，优化成功率从79.5%提升至87.2%。在一项前瞻性 HPK1 研究中，DrugHarness 针对系统特异性候选物取得了优于 Biomni 的中位对接评分。一种合成化合物的细胞 IC50 达到14.19 nM，其效力较最佳输入参考化合物提高2.64倍，活性表现可与经验丰富的药物化学家设计的两种选定化合物相媲美。这些结果支持在科学智能体中进行条件式技能演化，并展示了将计算药物设计与实验验证相连接的工作流程。