Évaluer une seule molécule active peut demander plus de cinquante appels successifs à des outils spécialisés, un processus où même les meilleurs algorithmes d’IA peinent à suivre le rythme. Cette complexité explique pourquoi la découverte de médicaments reste l’un des goulets d’étranglement les plus coûteux de l’industrie pharmaceutique.
Une architecture hiérarchique pour maîtriser la chaîne de valeur
MolClaw se distingue par une organisation en trois niveaux de compétences. Au niveau le plus bas, des « tool‑level skills » standardisent chaque opération atomique, qu’il s’agisse de générer une conformer, de calculer une énergie d’interaction ou de filtrer selon une règle de Lipinski. Au niveau intermédiaire, des « workflow‑level skills » assemblent ces opérations en pipelines validés, intègrent des points de contrôle qualité et permettent à l’agent de réfléchir sur ses propres actions avant de passer à l’étape suivante. Enfin, une compétence de niveau « discipline » apporte les principes scientifiques qui guident la planification globale et la vérification, assurant que chaque décision reste cohérente avec les connaissances chimiques et biologiques du domaine.
Cette stratification permet à MolClaw de garder une trace explicite de ses raisonnements sur le long terme, ce qui est crucial lorsqu’il faut enchaîner dizaines d’appels sans perdre le fil du projet.
MolBench : un benchmark qui met à l’épreuve l’orchestration
Pour mesurer les capacités de l’agent, les chercheurs ont conçu MolBench, un ensemble de défis couvrant le criblage moléculaire, l’optimisation de propriétés et la découverte de bout en bout. Chaque scénario nécessite entre huit et plus de cinquante appels d’outils successifs, reproduisant fidèlement la complexité réelle des pipelines de découverte.
Les tests montrent que MolClaw atteint des performances état de l’art sur toutes les métriques considérées (taux de succès, qualité des molécules générées, nombre d’étapes nécessaires). Une analyse d’ablation révèle que les gains disparaissent lorsque les tâches peuvent être résolues par des scripts ad hoc, tandis qu’ils restent substantiels dès que le problème exige une orchestration structurée.
Pourquoi l’orchestration est le vrai goulot d’étranglement
Les résultats soulignent un point souvent négligé : la limite des agents actuels en découverte de médicaments ne réside pas tant dans la puissance brute des modèles que dans leur capacité à organiser et à coordonner plusieurs outils spécialisés. Quand un problème peut être résolu par une suite de commandes simples, même un agent modeste s’en sort ; mais dès que le workflow nécessite des boucles de rétroaction, des vérifications intermédiaires et une planification hiérarchisée, la performance chute drastiquement.
MolClaw montre qu’en dotant l’agent d’une architecture explicite pour gérer ces dépendances, on récupère une partie importante de la perte de performance observée dans les approches monolithiques ou basées sur le prompting pur.
Implications pour la recherche et l’industrie
Cette avancée ouvre plusieurs pistes :
- Réduction du temps et du coût des campagnes de criblage grâce à l’automatisation des pipelines complexes.
- Possibilité d’intégrer de nouveaux outils (simulations de dynamique moléculaire, prédictifs de toxicité) sans avoir à ré‑écrire tout le workflow.
- Un cadre réutilisable pour d’autres domaines scientifiques où l’enchaînement d’étapes spécialisées est la norme, comme la science des matériaux ou la catalyse.
Bien que MolClaw soit aujourd’hui un prototype académique, son principe d’organisation hiérarchique des compétences pourrait inspirer les prochaines générations d’assistants IA dédiés à la R&D pharmaceutique.