Ian Quigley：在预先测量的世界中测试科学智能体

Latent Space Science 主持人再次邀请 Leash Bio 联合创始人 Ian Quigley 做客。此前他们讨论过 DNA 编码化合物库和高通量筛选。这次他们介绍了新想法：将筛选测量结果变成虚拟沙箱，让智能体作出药物化学决策并获得快速反馈。

主持人询问最初的想法如何发展成研究科学推理的环境。Quigley 表示，筛选数据规模很大，对其他可能结果的测量也足够丰富，因此可以让智能体在有限实验预算内完成任务，再观察它们在已知结果范围内的选择。

核心任务涉及构效关系。智能体从可能与目标蛋白结合的分子出发，试图找到能增强结合的改变。Quigley 强调，这项任务还没有涵盖代谢等完整的成药性指标。

智能体拿到一份候选目录、一个目标和 100 个分子的预算，需要尽可能找到结合最强的分子。不同智能体分配预算的方式不同：它们先写出分子为何有效或无效的假设，再用预先测量的结果检验这些假设。

由于测量数据已经存在，团队可以多次重放实验；Quigley 表示已运行约 9 万条轨迹。他说，相关预印本展示了不同模型家族和能力水平之间的表现差异；完整的测量数据则让研究者既能看最终分数，也能分析决策过程。

智能体可能在找到远不如环境中最佳分子的候选物时就停下来。Quigley 描述了几种情况：放弃搜索、忽略与自身假设矛盾的结果，或者在预算有限时反复测试同一分子。数据也能帮助研究者分析智能体何时探索新区域、何时利用已有发现。

Quigley 表示，表现较好的模型往往更快离开没有成果的分子区域。被问及原因时，他说团队目前还不知道：这些模型总体上更愿意转换区域，尤其会迅速离开表现不佳的区域。表现较差的模型则可能一直在没有前景的区域做细微调整。

团队可以查看每条轨迹中的自然语言推理。Quigley 举例说，智能体会讨论化学环或某个氮原子的作用；他表示，看过少量轨迹的药物化学家认为这些思路听起来合理。不过，叙述合理并不等于证明搜索决策正确。

一位主持人问，这项任务能否做成供人类化学家玩的游戏。Quigley 赞同这个想法，但指出一个限制：在预先测量的环境中，人们不能尝试所有能想到的修改。面向人的版本需要让测量过的选项更易理解，比如减少构件数量。

谈到哪些前沿模型领先时，Quigley 介绍了团队当前的比较，并表示新模型快速推出，让结果不断变化。他还说 Leash 测试了较小的开放模型，其中包括 DeepSeek V4 Flash。这些是团队在该任务上报告的结果，并非通用排名。

Quigley 回忆说，去年夏天团队开始探索监督微调，以改善模型对 SMILES 的理解。他表示，当时可用的前沿模型甚至难以将描述同一分子的不同 SMILES 表示互相转换。

SMILES 用一维字符串表示分子图。由于图遍历可以从不同位置开始，多个字符串可能描述同一个分子。RDKit 等工具可以进行转换，但 Quigley 表示，团队希望模型能更直接地处理这种表示。

Quigley 表示，到大约 2 月时，模型开始能够有意义地处理化学问题，这促使团队继续沿这一方向探索。智能体现在会观察分子，并利用反馈选择下一批候选物；移除分子信息后，决策表现会下降。他随后纠正“学习”的说法：运行过程中并没有改变模型权重。

一位主持人问，贝叶斯超参数优化能否作为确定性基线。Quigley 表示团队没有使用它，并怀疑这一环境过于崎岖且维度过高，不适合该方法。这是团队的预期，谈话中并未展示实验比较。

Quigley 介绍说，发布内容包括预印本、博客文章、预先测量的环境和大量智能体轨迹。他表示，目的是让研究者检查科学决策、错误和物理实验反馈的使用方式，并大规模测试新的训练方法能否改善这些决策。

他将这一设计称为实验室参与的、延迟可摊销的循环：先测量一次，再根据数据运行许多轨迹。这样可以为运行提供近乎即时的反馈，但不能严格说成零延迟的实时实验室。传统实时实验需要时间，也可能无法揭示智能体没有选择的其他方案。

代价是自由度。实时实验在每一步通常允许更广泛的选择；重放则受限于提前测量过的内容。Quigley 表示，团队已经针对化学库筛选了大约 1000 种蛋白质，并正在增加可用环境的数量。

他表示，团队目前每天大约能产生两个新环境，希望最终达到每天 20 个；他将后者描述为计划，而非已经实现的结果。快速、可扩展的反馈对智能体开发很有吸引力，但收集物理实验数据仍然困难。

Quigley 表示，团队还不知道这些环境中的强化学习进展能否迁移到新的生物学问题。参与者讨论了更广泛的有限实验预算问题：何时继续探索一个有前景的区域，何时离开，以及决策能力如何推广到其他问题。

Quigley 补充说，团队正在加入更多结构相关的工具调用。主持人最后提醒听众关注即将发布的资源，并感谢他再次参与讨论。