Drug Discov. Today｜阿斯利康ChatInvent如何用Agentic AI重塑真实药物发现

药物发现本质上是围绕“设计—合成—测试—分析”（DMTA）循环展开的多学科协同过程。研究人员需要不断设计候选分子，通过化学合成获得化合物，完成生物实验测试，并根据实验结果继续优化下一轮设计。过去十年中，深度学习和人工智能逐渐融入DMTA流程，在分子生成、性质预测、虚拟筛选和反应规划等领域发挥越来越重要的作用。

随着大语言模型（LLM）的兴起，研究者发现其不仅能够完成文本生成，还能够理解化学知识、分析化学结构、提取文献信息，甚至规划实验步骤。当LLM进一步与外部工具、数据库和自动化平台连接后，就形成了智能体系统。这类系统不仅能回答问题，还能够自主规划任务、调用工具并根据结果调整后续行为。

Agentic AI在药物发现中的意义，并不仅仅是“更聪明的聊天机器人”，而是有机会“民主化”药物发现中的高级计算工具。许多专业药物设计平台长期以来依赖计算化学专家操作，例如结构基础分子生成工具通常需要预处理蛋白结构、配置参数文件并不断迭代调参。对于实验科学家而言，这些工具使用门槛极高。自然语言驱动的智能体系统则有机会将这些复杂流程隐藏在后台，使普通研究人员也能直接调用高级AI工具。

文章回顾了近年来多个代表性系统，包括Chemcrow、CoScientist、LLM-RDF、Cactus、DrugAgent、SynAsk和ChatChemTS等。这些研究已经证明LLM可以协助化学研究、反应开发和分子设计，但此前缺乏真正关于“如何将这些系统部署到真实制药环境”的公开经验。阿斯利康团队正是在这样的背景下开发了ChatInvent，希望探索智能体系统在真实药物发现环境中的可行性与工程化路径。

受到Chemcrow和CoScientist等早期工作的启发，研究团队首先开发了一个名为LangDMTA的概念验证（PoC）系统，用于验证LLM是否能够协调真实药物设计流程中的复杂操作。与文献中一些相对简单的自动化任务不同，阿斯利康内部的药物设计流程需要处理大量复杂逻辑，包括配置文件准备、数据库调用、性质预测、候选化合物排序以及合成可行性评估等。

系统开发初期，团队曾考虑从零开始构建智能体框架，但最终选择基于LangChain进行扩展。团队测试了ReAct与Structured Chat两类LangChain结构。结果发现，ReAct在化学任务中更容易出现参数格式错误、输入类型不匹配等问题，而Structured Chat表现更加稳定，因此最终被采用。

LangDMTA最初采用单智能体架构，并集成了多个药物发现核心平台，包括REINVENT4中的Mol2Mol用于分子生成与评分，AiZynthFinder用于逆合成规划，Precedent Finder用于相似反应搜索，PIP（Predictive Insight Platform）用于性质预测，以及内部数据API用于化合物信息检索。此外，系统还包含SMILES转换工具和用于CSV数据处理的Analyzer智能体。为了提升交互体验，团队加入了会话记忆功能，使用户能够连续追问并保留上下文。

图1 ChatInvent智能体系统整体架构

随着系统功能不断扩展，单智能体架构逐渐暴露出明显问题。所有提示、上下文和工具调用都由同一个智能体统一管理，导致上下文不断膨胀，token消耗迅速增加，也使任务路由与决策变得不稳定。团队最终转向多智能体架构，并基于LangGraph重新实现系统。新的系统由一个监督智能体作为统一入口。当用户提交请求后，监督智能体首先判断任务应由哪个专业智能体执行，然后将复杂请求拆解为多个子任务并分发。

系统中的主要子智能体包括：1)Design智能体：负责分子生成和性质评分；2)Synthesis智能体：负责逆合成分析与反应搜索；3)Utility智能体：负责SMILES验证与化合物名称转换；4)Analyzer智能体：负责数据处理与分析。监督智能体会先生成明确、范围受限的任务描述，再交由子智能体执行，从而显著提高系统稳定性。

图2 单智能体与多智能体架构对比

图3 单智能体与多智能体性能基准比较

图4 ChatInvent网页界面与示例工作流

通过MCP实现未来兼容性。ChatInvent当前依赖REINVENT、AiZynthFinder和PIP等成熟平台，但这些工具仍通过定制客户端代码接入。未来采用MCP等标准协议后，可以进一步降低系统耦合度并提高扩展性。团队已经开始测试RDKit MCP服务器，未来更多工具可能通过MCP统一接入。

长对话中的智能体记忆。系统目前仍难以处理超长复杂对话。尤其是在用户持续迭代优化分子时，如何在多个子智能体间正确传递上下文记忆仍是重大挑战。团队正在研究新的记忆筛选与上下文管理机制，以提升长期会话中的稳定性。

框架与LLM升级。Agentic AI领域变化极快。ChatInvent在开发过程中经历了GPT-3.5、GPT-4、GPT-4o等多次升级，并计划迁移到GPT-5。每次模型升级都需要至少一周提示词调优与系统评估。LangChain和LangGraph接口变化也可能影响部署稳定性。未来生产级系统可能会逐步转向AWS Bedrock等serverless架构，或者采用内部智能体与云服务结合的混合模式。

长期运营挑战。Agentic AI高速发展的另一面，是当前LLMOps生态仍远未成熟。技术快速迭代意味着系统维护复杂度极高。只有当智能体协议、运维框架和模型接口逐渐稳定后，Agentic AI才更有可能真正大规模进入生产环境。

变革管理与治理。Agentic AI的广泛应用不仅是技术问题，也涉及组织结构和研发范式转变。过去五十年，计算机辅助药物设计高度依赖专业计算团队，而自然语言驱动的Agentic AI则意味着更多实验科学家能够直接使用高级AI工具。与此同时，系统治理的重要性也在快速提升。企业需要建立完善的验证、审查和记录机制，以避免智能体误用，并确保所有输出都可追踪、可验证和可审计。