Resumen: Los avances recientes en modelos de idiomas grandes han demostrado un potencial considerable en dominios científicos como el descubrimiento de fármacos. Sin embargo, su efectividad sigue siendo limitada cuando el razonamiento se extiende más allá del conocimiento adquirido durante el pretrénmente. Los enfoques convencionales, como el ajuste fino o la generación de recuperación acuática, enfrentan limitaciones en imponer una alta sobrecarga computacional o no explotar completamente los datos científicos estructurados. Para superar estos desafíos, proponemos DrugMCTS, un marco novedoso que integra sinérgicamente trapo, colaboración de múltiples agentes y búsqueda de árboles de Monte Carlo para la reutilización de drogas. El marco emplea a cinco agentes especializados encargados de recuperar y analizar la información molecular y de proteínas, lo que permite el razonamiento estructurado e iterativo. Sin requerir el ajuste fino específico del dominio, los medicamentos capacitan en el instrucciones QWEN2.5-7B para superar a Deepseek-R1 en más del 20 %. Experimentos extensos en los conjuntos de datos del banco de medicamentos y KIBA demuestran que los medicamentos de DrugMCT logran un retiro y robustez sustancialmente más alto en comparación con las LLM de uso general y las líneas de base de aprendizaje profundo. Nuestros resultados resaltan la importancia del razonamiento estructurado, la colaboración basada en agentes y los mecanismos de búsqueda basados en retroalimentación para avanzar en las aplicaciones LLM para el descubrimiento de fármacos.
Publicado Originalme en export.arxiv.org El 10 de julio de 2025.
Ver Fuente Original
