MoLRSI: KI-Agent für molekulares Design soll aus früheren Aufgaben lernen

MoLRSI optimiert Workflows und Architekturen und lernt aufgabenübergreifend

Ein Team um Yikun Zhang hat einen KI-Agenten für molekulares Design beschrieben, der seine eigene Suchstrategie verbessern soll. Die Arbeit mit dem Titel „MoLRSI: A Recursive Self-Improving AI agent for Molecular Discovery“ liegt als arXiv-Preprint vor. Sie nennt 18 Autoren, und rsi.watch führt das Datum 29. Oktober 2026. Auch auf Hugging Face ist sie gelistet. Die Schreibweise schwankt zwischen MoLRSI und MolRSI.

Laut Abstract verbindet der Agent die systematische Optimierung von Workflows und Modellarchitekturen mit einem persistenten Gedächtnis. Dieses Gedächtnis bleibt über einzelne Aufgaben hinaus erhalten. Leistung der Workflows, Ergebnisse von Verfeinerungen und Rückmeldungen aus der Ausführung steuern die jeweils folgenden Suchläufe. Der Agent soll dadurch auch die Strategie verbessern, nach der er seine Workflows entwickelt. Ob diese Kombination gegenüber anderen agentischen Systemen neu ist, wurde nicht geprüft.

15,9 Prozent Trefferquote bei Antibiotika, acht validierte Peptid-MHC-Binder

Die Ergebnisse stammen von den Autoren selbst. Bei der Antibiotika-Suche entwickelte der Agent einen Screening-Workflow. Er wägt antibakterielle Aktivität, Zytotoxizität und strukturelle Neuheit gegeneinander ab. Die Autoren melden eine experimentelle Trefferquote von 15,9 Prozent. Ein früherer, von Experten geführter Workflow kam mit denselben Trainingsdaten und derselben Screening-Bibliothek auf 8,7 Prozent.

Beim De-novo-Design von Peptid-MHC-Bindern erstellte der Agent laut Autoren Workflows, die Zielbindung und Spezifität gemeinsam berücksichtigen. Am Ende stehen acht experimentell validierte Treffer gegen MART-1- und SARS-CoV-1-pMHCs. Sie binden gegenüber getesteten Off-Targets bevorzugt.

Der Abstract folgert, die Ergebnisse belegten die Wirksamkeit der Selbstverbesserung und höhere Trefferquoten als bei expertengeführten Methoden. Das ist eine verallgemeinernde Selbsteinschätzung der Autoren. Sie stützt sich auf zwei Anwendungsfälle.

Getrennte Kampagnen und selbst ausgeführte Baselines engen den Vergleich ein

Die beiden Trefferquoten stammen aus getrennten Kampagnen derselben Gruppe. Dafür wurden 107 beziehungsweise 241 Verbindungen ausgewählt, jeweils nach unterschiedlichen Verfahren. Welche Zahl zu welcher Kampagne gehört, lässt der vorliegende Auszug nicht eindeutig erkennen. Die Autoren geben an, keine Hypothesentests zwischen den Gruppen berichtet zu haben. Alle Agenten-Baselines führten sie selbst aus. Die Ergebnisse von Biomni wurden außerhalb dieser Plattform nicht unabhängig reproduziert.

Laut rsi.watch unterscheidet sich der Expertenworkflow in Modellen, Filterreihenfolge, Schwellenwerten und Verbindungsauswahl. Der Trefferquotenvergleich setzt damit einen kompletten Workflow gegen einen anderen. Er isoliert nicht den Beitrag der aufgabenübergreifenden Erfahrung. Die Vergleiche, die den Effekt der Selbstverbesserung herausrechnen, sind rechnerisch hergeleitet. Sie messen die mittlere Test-AUPRC. Unabhängige Replikationen und Ablationen fehlen bislang.

Quellen nennen unterschiedliche Vergleichsagenten

Bei den Vergleichsagenten widersprechen sich die Quellen. Die arXiv-Fassung des Abstracts nennt im Peptid-MHC-Experiment einen Vergleich mit „Claude Science“, der „completely failed“ ist, während MolRSI acht Treffer lieferte. Die Hugging-Face-Fassung ist im vorliegenden Auszug abgeschnitten und enthält diese Passage nicht. rsi.watch nennt dagegen Biomni als Agenten-Baseline. Ob unterschiedliche Versionen, verschieden lange Auszüge oder eine unvollständige Nennung der Baselines die Ursache sind, lässt sich aus dem Material nicht entscheiden.

Am 4. November 2026 spricht Wengong Jin von der Northeastern University und dem Broad Institute im Kipoi-Seminar über die Ansätze SAGA und MolRSI. Eine Autorenschaft an der Arbeit ist im Material nicht belegt.