MolAgent: Biomolecular Property Estimation in the Agentic Era
Gómez-Tamayo, Ahmad et al. — J. Chem. Inf. Model. 2025, 65, 10808–10818 | DOI: 10.1021/acs.jcim.5c01938
🎯 LLMエージェントが「専門家品質」の分子物性モデルを自律構築：MCP準拠AutoMLで単発実行でもTDC上位を達成
① 背景と課題

エージェント型AI（ReAct・MCP・A2A）が科学の自動化を加速する中、計算機支援創薬（CADD）の最大ボトルネックは「専門家が手作りするのと同等の品質・信頼性をもつ物性予測モデルをエージェントが自律的に作れない」ことにある。これが自律的創薬パイプライン実現の壁となっていた。

既存の汎用AutoMLはケミカルシリーズ／activity cliffを尊重せず、新規スキャフォールドへの汎化を過大評価しがち
単発のLLM応用はモデリングの全工程を専門家品質で自律遂行できない

→ 特徴生成・モデル選択・検証をMCPツール化し、LLMエージェントが呼べる system-agnostic な物性モデリング基盤を構築

② MolAgent 手法
SMILES / 3D構造
↓
特徴生成 (RDKit・ECFP・Bottleneck
・ProLIF・Affinity Graph)
↓
Murcko/Butina/KMeans++ クラスタ分割
↓
Nested CV + Leave-Group-Out
(Hyperopt TPE)
↓
階層的スタッキング → 物性モデル
MCP-ready AutoML
automol_regression / classification を smolagents 多エージェントが呼ぶ

scikit-learn + PyTorch 基盤。cheap/moderate/expensive の計算予算別既定構成を提供。低データ向け pairwise relative modeling も内蔵。

③ 計算化学パイプラインへの応用
  • lib/molgen: JobManager/MolgenYaml に自律AutoMLスコアラーを統合し生成分子の物性を自動評価
  • lib/docking: ProLIFCalculator相互作用指紋＋affinity graphでSBVSリスコアリング
  • lib/fep: pairwise relative modelingでΔΔGランキングの前段トリアージ
  • lib/md: MD由来の残基相互作用・SASAを構造ベース特徴に投入
実装ギャップ: MCP自律オーケストレーション層・nested CV/leave-group-outハーネス・階層スタッキングが未実装
④ 主な結果 (a) TDC ADMET：cheap単発実行で専門家モデルと競合（MAE系・低いほど良い）
MolAgent(青) vs リーダーボードBest(灰)：MAE 0.309 0.467 Lipophilicity 1位 0.303 0.276 Caco2 6位 7.86 7.53 PPBR_az 4位 0.606 0.552 Ld50_zhu 3位

Lipophilicity と Clearance_microsome は1位。回帰系は専門家fine-tunedモデルに匹敵～優位を、複数試行なしの単一on-the-fly実行で達成。

④ 主な結果 (b) リーダーボード順位（小さいほど上位）
TDC ADMET リーダーボード順位（緑=1位） 0 10 20 Lipophilicity 1 Clear_micro 1 Clear_hepato 3 Ld50_zhu 3 PPBR_az 4 Caco2_Wang 6 Solubility 8 BBB_martins 21

22 ADMETタスクで評価。回帰は強いが、BBB(21位)・CYP・hERG等の分類系は中位にとどまる。

④ 主な結果 (c) エージェント実行デモ

3エージェント構成（manager / data retrieval / model training）で 3 ユースケースを実証。

smolagents CodeAgent × MCP サーバ Manager Data Retrieval Model Training automol_regression / classification (MCP)
UC-I: TDC ADMET
22端点を自律モデリング（cheap単発）
UC-II: Lipophilicity
RDKit LogPを自律的に追加特徴採用
UC-III: ABL1 3D
3D構造ベースbinding affinity回帰

→ MCPサーバ＋smolagents CodeAgentで人手の介在なしにモデル構築まで完遂。

④ 主な結果 (d) 主要な発見
  • 回帰タスクで human-fine-tuned モデルと同等～優位を、桁違いに低い計算コストで達成
  • 既定 leave-group-out（クラスタ単位分割）で新規ケミカルスペース汎化を厳格評価
  • 2D指紋・記述子・3D相互作用(ProLIF/affinity graph)を同一IFで統合
  • MCP準拠でLLM/エージェント基盤に非依存（system-agnostic）
限界: 分類系（BBB/CYP/hERG）は専門家モデルに劣り、LLM非決定性で出力が変動。3D検証はABL1単一ケースのみ。
⑤ テイクホームメッセージ
  • MolAgentは分子物性モデリングをMCPツール化し、LLMエージェントが専門家品質のモデルを自律構築できる基盤
  • TDCでLipophilicity/Clearanceは1位を単発実行で達成し、自律パイプラインの実現可能性を実証
  • 本ライブラリへはlib/molgenの自律スコアラー・docking/fep/mdの構造ベース物性モデルとして移植価値が高い

nested CV + leave-group-out のモデル選択ハーネスとsimilarity-aware splitterを共通基盤化すれば全モジュールで汎化評価を厳格化できる。

DOI: 10.1021/acs.jcim.5c01938 | J. Chem. Inf. Model. 2025, 65, 10808–10818 (Oct 2025) | Code: https://github.com/openanalytics/MolAgent | Category: machine_learning