[논문 리뷰] LIDDIA: Language-based Intelligent Drug Discovery Agent

Reza Averly, Frazier N. Baker외 2명|ArXiv.org|2025. 02. 19.

Scientific Computing and Data Management인용 수 3

한 줄 요약

본 논문은 다중 표적에 걸쳐 새로운 약물 후보를 생성하고 최적화하는 자율 LLM 기반 에이전트인 LIDDIA를 제시한다. 이는 실리코 전임상 약물 발견에 활용되며, 고품질의 다양하고 강력한 표적 성공을 달성한다.

ABSTRACT

Drug discovery is a long, expensive, and complex process, relying heavily on human medicinal chemists, who can spend years searching the vast space of potential therapies. Recent advances in artificial intelligence for chemistry have sought to expedite individual drug discovery tasks; however, there remains a critical need for an intelligent agent that can navigate the drug discovery process. Towards this end, we introduce LIDDIA, an autonomous agent capable of intelligently navigating the drug discovery process in silico. By leveraging the reasoning capabilities of large language models, LIDDIA serves as a low-cost and highly-adaptable tool for autonomous drug discovery. We comprehensively examine LIDDIA , demonstrating that (1) it can generate molecules meeting key pharmaceutical criteria on over 70% of 30 clinically relevant targets, (2) it intelligently balances exploration and exploitation in the chemical space, and (3) it identifies one promising novel candidate on AR/NR3C4, a critical target for both prostate and breast cancers. Code and dataset are available at https://github.com/ninglab/LIDDiA

연구 동기 및 목표

• 약물 발견 워크플로우의 자율적이고 지능적인 라우팅 필요성을 동기화한다.
• Reasoning, execution, evaluation, memory를 grounding 도구와 함께 결합한 모듈형 에이전트 아키텍처를 제안한다.
• 에이전트가 다중 표적과 속성에 걸쳐 고품질의 새로운 분자를 생성함을 보여준다.
• EGFR와 같은 핵심 표적에 대해 탐색(exploration)과 활용(exploitation)의 균형을 맞추고 유망한 후보를 식별한다.

제안 방법

• Reasoner, Executor, Evaluator, Memory의 4-구성 아키텍처를 도입한다.
• 작업 특화 프롬프트로 Claude 3.5/관련 LLM에서 Reasoner와 Evaluator를 grounding한다.
• 생성은 Pocket2Mol, 최적화는 GraphGA, 선별은 스크리닝 프로세서를 사용한다.
• QED, Lipinski의 Rule of Five (LRF), SAS, Vina affinity (VNA), 및 novelty (NVT)로 분자를 평가한다.
• 다양성(DVS)와 표적 성공률(TSR)을 30개의 알려진 구조와 약물을 가진 단백질 표적에서 측정한다.

실험 결과

연구 질문

• RQ1 자율적 LLM 기반 에이전트가 다중 표적에 걸쳐 다양하고 고품질의 약물 후보를 생성할 수 있는가?
• RQ2 화학 공간에서 탐색과 활용의 균형이 표적 도달(hit) 식별 및 후보 물질 최적화에 얼마나 기여하는가?
• RQ3 EGFR와 같은 임상적으로 관련된 표적에서 우수한 특성 프로필을 가진 유망 후보를 식별할 수 있는가?

주요 결과

• LIDDIA는 30개의 표적에서 TSR 73.3%를 달성하며 기준 방법을 능가한다.
• 평균적으로 표적당 생성된 분자의 85%가 핵심 특성에서 고품질(HQ)이다.
• LIDDIA가 생성한 분자는 높은 신규성(novelty)과 강한 VNA(결합 친화력) 프로필을 보이며, VNA에서 기준보다 우수하다.
• LIDDIA는 de novo 생성과 반복 최적화를 결합하여 QED, LRF, SAS, VNA 전반에서 HQ를 갖춘 분자를 제공한다.
• EGFR에 대한 사례 연구에서, 승인 약물과 비교할 만한 프로필의 유망 후보를 제시한다.