面向RNA三维结构预测的智能体驱动模型开发

大型语言模型（LLM）智能体在推动科学发现方面已展现出良好潜力，但其在复杂、真实世界生物学问题中的有效性仍有待深入探索。我们探讨了一个通用型LLM智能体能否推动一个真正具有挑战性的生物学问题——RNA三维结构预测模型——的半自主开发。我们设计了一个开发循环：在固定预算和人工监督下，智能体反复提出、实现、训练并评估模型改动。经过297轮迭代，该模型从随机初始化的基线模型逐步演化为QuickFold：一个拥有890万个参数的折叠主干网络。在留出的测试集上，QuickFold在lDDT和TM-score指标上的表现与最强的开源基线模型（RhoFold+、NuFold）在噪声范围内相当，而推理成本仅为后者的一小部分。我们更倾向于将其视为一个由反馈驱动、智能体主导的模型开发案例研究，而非一种全新的预测器。

Herve Minoux 的 ORCID 记录

摘要

信息/历史

指标

预览 PDF

摘要

大型语言模型（LLM）智能体在推动科学发现方面已展现出潜力，但其在复杂现实生物学问题中的有效性仍未得到充分探索。我们探讨了这样一个问题：通用型 LLM 智能体能否推动针对一个真正困难的生物学问题——RNA 三维结构预测——的模型半自主开发。我们设计了一个开发循环：在固定预算和人工监督下，智能体迭代地提出、实现、训练并评估模型改动。经过 297 次迭代，该模型从随机初始化的基线模型逐步演化为 QuickFold——一个拥有 890 万参数的折叠主干网络。在留出测试集上，QuickFold 在 lDDT 和 TM-score 指标上的表现与最强的开源基线模型（RhoFold+、NuFold）在噪声范围内相当，而推理成本仅为后者的一小部分。我们并不将其定位为一种全新的预测器，而是将其作为一个由反馈驱动、智能体主导的模型开发案例进行研究。

利益冲突声明

所有作者均为赛诺菲公司的雇员，并可能持有该公司的股票或股票期权。

版权

本预印本的。

该文以 CC-BY-NC-ND 4.0 国际许可协议提供。

返回顶部

上一篇

下一篇

发布于 2026 年 9 月 8 日。

下载 PDF

电子邮件

感谢您有兴趣传播 bioRxiv 上的内容。

您的电子邮件地址

*

您的姓名

*

发送至

*

请在不同的行中输入多个地址，或使用逗号分隔。

您即将发送以下内容

用于 RNA 三维结构预测的智能体驱动模型开发

邮件·Majewski

、

Laura·Malo

、

Ariadna·Montero-Blay

、

Matteo·Marengo

、

Paraskevi·Gkeka

、

Herve·Minoux

bioRxiv

2026.09.08.749228；

doi：

https://doi.org/10.64898/2026.09.08.749228

分享本文：

复制

引用工具

用于 RNA 三维结构预测的智能体驱动模型开发

Maciej·Majewski

、

Laura·Malo

、

Ariadna·Montero-Blay

、

Matteo·Marengo

、

Paraskevi·Gkeka

、

Herve·Minoux

bioRxiv

2026.09.08.749228；

doi：

https://doi.org/10.64898/2026.09.08.749228

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.08.749228v1?rss=1

🏷️ RNA三维结构预测 大型语言模型智能体 蛋白质与RNA折叠 深度学习模型开发 计算结构生物学