← Toutes les actualités

MolRSI traite le workflow scientifique lui-même comme objet de recherche : 15,9 % de réussite lors du criblage antibactérien en laboratoire, contre 8,7 % pour les experts

MolRSI, rapporté par Machine Heart, utilise une recherche arborescente guidée par l'expérience pour composer automatiquement des pipelines de criblage moléculaire et de conception de protéines ; le taux de réussite en laboratoire pour le criblage antibactérien est autodéclaré à 15,9 %, contre 8,7 % pour un processus non-agentique conçu par des experts ; pour les protéines de liaison au pMHC, 8 hits répondent aux critères de spécificité contre 0.

Publication Mise à jour

Ce qui change

Selon un article de Machine Heart daté du 14 novembre 2026 (qui indique que le papier s'intitule MoLRSI: A Recursive Self-Improving AI agent for Molecular Discovery et fournit un numéro arXiv ainsi qu'une page projet), l'équipe de recherche fait de la conception de pipelines en découverte moléculaire l'objet même de la recherche. MolRSI commence par extraire des méthodes de publications et de code, les transforme en compétences exécutables, puis utilise une recherche arborescente de Monte-Carlo guidée par l'expérience pour combiner, tester et modifier des workflows : chaque pipeline candidat est un nœud, et les modifications qui lui sont apportées forment des branches ; la mémoire des plans, la mémoire des améliorations et la mémoire d'exécution conservent respectivement les performances des pipelines, les effets des modifications et l'expérience d'exécution ; la boucle interne optimise la tâche en cours, la boucle externe transporte l'expérience vers les tâches suivantes. Le reportage indique qu'après avoir accumulé de l'expérience sur 25 tâches de prédiction de propriétés moléculaires et de cytotoxicité, le système a été appliqué à 6 tâches de prédiction antibactérienne absentes du pool d'expérience, et que l'AUPRC de test moyenne augmente sur chacune des six tâches. En faisant passer le pool de tâches sources de 2 à 25, la courbe rétrospective montre que l'AUPRC de test moyenne des pipelines transférables monte d'environ 0,32 à environ 0,37, dépassant les 0,361 obtenus par une recherche systématique sans expérience préalable après 20 tours. Sur la tâche antibactérienne, le pipeline final applique d'abord un filtre de nouveauté structurale, puis prédit trois classes de cytotoxicité humaine, classe les candidats avec deux variantes MiniMol et l'ensemble LANTERN–RADR selon une pondération de 55 %, 30 % et 15 %, puis échantillonne par regroupement structural pour préserver la diversité ; parmi environ 12,1 millions de composés, 107 sont retenus pour l'expérience, et 17 sont comptés comme hits selon un critère de MIC contre MSSA inférieur ou égal à 32 μg/mL. Un pipeline non-agentique conçu par des experts humains, avec les mêmes données d'entraînement et la même bibliothèque de criblage, a testé 241 composés et obtenu 21 hits, soit un taux de réussite de 8,7 % contre 15,9 %. Du côté de la conception de protéines, MolRSI fixe d'abord un pipeline d'évaluation (prédiction structurale ESMFold2-Fast plus huit scores de poids égal, avec une comparaison appariée cible/non-cible pour matérialiser la sélectivité), puis l'utilise pour rechercher des schémas de génération ; après deux tours de phage display, 8 hits satisfaisant les critères de spécificité sont obtenus au total sur les cibles MART-1 et SARS-CoV-1, et le reportage indique que Claude Science en obtient 0 dans les mêmes conditions ; sans l'étape de classement, aucun des 479 designs évaluables n'est un hit.

Conséquences pour les développeurs

Pour les développeurs qui construisent des workflows agentiques, ce qui mérite attention dans ce reportage n'est pas tel ou tel score, mais le fait de traiter le « pipeline » comme un objet à rechercher et de stocker explicitement l'expérience inter-tâches pour la réutiliser. Cela influe directement sur trois décisions d'ingénierie. Premièrement, la frontière de la mémoire : les gains rapportés proviennent presque tous de l'héritage d'expérience entre tâches, tandis que le groupe sans expérience conserve la mise à jour de mémoire propre à la tâche courante, ce qui indique que le bénéfice se concentre sur le passage d'une tâche à une autre. Si votre agent n'est appelé qu'une ou deux fois par type de tâche, la bibliothèque d'expérience n'a pas le temps de s'accumuler et le surcoût de la recherche arborescente sera difficile à amortir ; la mémoire des plans et la mémoire de réparation n'ont de sens que si des tâches structurellement similaires reviennent dans un même domaine. Deuxièmement, l'évaluateur vient d'abord : dans la partie pMHC, le pipeline de scoring est fixé avant l'optimisation de la génération, et supprimer l'étape de classement ramène les hits à zéro ; c'est le signal d'ablation le plus fort du reportage, qui suggère que le plafond de la génération est souvent bloqué par l'étape qui décide quels candidats méritent l'expérience, et que le système de classement et la conception des seuils doivent être évalués séparément, sans être résumés par un seul taux de réussite final. Troisièmement, il faut distinguer les niveaux de mesure : l'AUPRC, le facteur d'enrichissement, le taux de réussite en laboratoire et les critères de spécificité sont quatre grandeurs différentes ; le reportage distingue lui-même la comparaison de prédicteurs sur un même jeu de test et les taux de réussite de candidats expérimentaux sélectionnés par deux pipelines, et comparer des chiffres de sources différentes dans une même colonne conduit à des conclusions erronées. Par ailleurs, le reportage reconnaît explicitement que l'amélioration actuelle des stratégies vient surtout de la recherche computationnelle et que le retour des expériences en laboratoire n'entre pas encore dans la boucle ; le système n'est donc pas encore un véritable agent expérimental en boucle fermée, et le lecteur ne doit pas en extrapoler qu'« une IA fait des expériences de façon autonome ».

Intégration et évaluation

Voici des recommandations conditionnelles fondées sur le reportage, et non des conclusions déjà vérifiées. Premièrement, si votre pipeline comporte un ensemble pondéré de plusieurs modèles (comme la combinaison à trois voies 55/30/15 du reportage), commencez par comparer, sur le même jeu de validation mis de côté, des poids fixes et des poids issus d'une recherche, avec l'AUPRC et l'enrichissement top-k comme métriques, à condition que le jeu de validation et le jeu d'entraînement n'aient aucun composé en commun ; n'intégrez les poids à l'espace de recherche que si la combinaison trouvée dépasse durablement les poids fixes sur plusieurs plis de validation, sinon la recherche ne fera qu'ajuster du bruit. Deuxièmement, pour la réutilisation d'expérience entre tâches, établissez d'abord une référence « sans recherche » : transférez directement la meilleure configuration des tâches sources, sans recherche supplémentaire, puis comparez avec la recherche arborescente complète, à condition que la tâche cible et les tâches sources partagent les mêmes modalités de données et la même définition des étiquettes ; la courbe rétrospective de 0,32 à 0,37 environ dans le reportage montre que la taille du pool d'expérience change la conclusion, donc prenez la taille du pool (2, 10, 25 tâches sources) comme axe horizontal et regardez si le gain apparaît déjà à votre échelle ; si vous ne voyez aucune amélioration avec 5 tâches sources ou moins, il n'est pas nécessaire d'engager des coûts d'ingénierie pour une bibliothèque d'expérience. Troisièmement, pour les tâches de sélectivité (où la cible et la non-cible ne diffèrent que de quelques résidus), faites du critère « le score de la cible est supérieur à celui de la non-cible » un seuil dur plutôt qu'une pénalité souple, et utilisez le taux de passage de la comparaison appariée comme indicateur indépendant, à condition de disposer d'un ensemble fiable de non-cibles ; dans le reportage, supprimer le classement ramène les hits à zéro, ce qui suggère de faire une ablation séparée de cette étape plutôt que de la régler avec le modèle de génération. Quatrièmement, avant l'intégration, vérifiez quels composants vous pouvez obtenir : le reportage mentionne MiniMol, LANTERN–RADR, ESMFold2-Fast, SolubleMPNN, etc., dont les licences et la capacité à s'exécuter doivent être vérifiées par vous-même ; le reportage ne précise pas le périmètre d'ouverture de ces composants.

Limites et points à confirmer

Tous les chiffres ci-dessus proviennent du reportage de Machine Heart et n'ont pas été reproduits indépendamment. MolRSI est un système de recherche, et non un modèle rendu public ; les informations disponibles ne précisent pas si les poids, le code ou une API sont accessibles, le reportage ne donnant que le papier et la page projet ; le catalogue en ligne actuel de KimiSeek ne contient pas non plus MolRSI ni les composants mentionnés, et leur disponibilité ne peut être établie que par les déclarations des auteurs et des responsables du projet. Les taux de réussite antibactériens proviennent de candidats expérimentaux sélectionnés séparément par les deux pipelines, avec des échantillons de 107 et 241 ; une différence en pourcentage sur une seule expérience ne doit pas être considérée comme un effet stable. Le gain d'expérience inter-tâches provient en partie d'une analyse rétrospective, que les auteurs eux-mêmes présentent comme une preuve rétrospective. Le critère de spécificité pMHC est un enrichissement de la cible en log2FC supérieur à 4 et supérieur à la valeur maximale des non-cibles mesurées ; le reportage précise que l'affinité quantitative et une réactivité croisée plus large restent à mesurer. Le résultat de zéro hit attribué à Claude Science relève également du reportage, et les détails d'exécution de son groupe contrôle ne sont pas développés ici. En outre, le retour des expériences en laboratoire n'entre pas encore dans la boucle d'amélioration : l'auto-amélioration de ce système reste pour l'instant limitée à la recherche computationnelle, et l'on ne peut pas en déduire qu'il réalise seul une boucle complète de conception expérimentale.

Trois minutes jusqu’au premier appel

Créez un compte et une clé API. Le coût des appels est déduit de votre solde. 30 % de réduction sur la première recharge. Rechargez ¥500, payez ¥350, recevez ¥500 de crédit. Rechargez ¥1000, payez ¥850, recevez ¥1000 de crédit Vous pouvez toujours commencer par une recharge d’essai de ¥10.

Sources et méthode éditoriale

AI自己改科研策略,能过湿实验这一关吗?他们把RSI带入分子发现

L’IA a assisté l’analyse et la traduction des sources citées, suivies de contrôles automatiques. Les conseils ne sont pas des résultats de tests. Consultez le catalogue actuel pour les prix et la disponibilité.