MDForge: 희소 시뮬레이터 피드백 하에서의 에이전트 기반 분자 역학 파이프라인 설계

MDForge: Agentic Molecular Dynamics Pipeline Design under Sparse Simulator Feedback

분자 역학(MD)은 원자 수준의 분자 과학에서 가장 기본적인 인체 내 시뮬레이션 방법으로, 분자의 움직임을 기본 물리 법칙에 따라 모사합니다. 새로운 시스템을 위한 MD 파이프라인을 설계하려면 상당한 전문 지식이 필요하며, 단 하나의 분자에 대해서도 시뮬레이션을 실행하는 데 비용이 많이 들기 때문에 시행착오를 통한 접근 방식은 비효율적입니다. 본 연구에서는 LLM 에이전트를 사용하여 이 전문가의 파이프라인 설계 프로세스를 자동화합니다. 기존의 MD 에이전트가 미리 정의된 도구 세트를 활용하는 것과는 달리, 우리는 파이프라인 설계를 개방형 코드 생성 문제로 간주하며, 에이전트의 행동은 언어적 보상을 통해 실시간으로 재구성됩니다. 특히, 우리는 MDForge라는 LLM 에이전트를 개발했으며, 이 에이전트는 내부 업데이트 규칙을 통해 희소한 보상을 물리 전문가들 간의 다중 에이전트 토론을 통해 밀집화합니다. 세 가지 SAMPL 호스트-게스트 결합 자유 에너지 벤치마크에서 MDForge는 인간 전문가 수준의 MD 파이프라인을 자동으로 설계했습니다. 알려지지 않은 후보 게스트들의 라이브러리에 적용한 결과, CB[7] 파이프라인은 새로운 결합 물질을 발견했으며, 실제 실험(NMR)을 통해 확인된 바와 같이 이 물질은 높은 친화력을 가진 피코몰 수준의 CB[7] 결합체임이 밝혀졌습니다. 본 연구의 데이터 및 코드는 https://github.com/Zehong-Wang/MDForge 에서 확인할 수 있습니다.

Molecular dynamics (MD) is the canonical in-silico method for atomistic molecular science, simulating molecular behavior from first-principle physics. Designing an MD pipeline for a new system requires substantial expert knowledge: running it on even one molecule is expensive, ruling out trial-and-error. We automate this expert pipeline-design process with an LLM agent. Unlike existing MD agents that orchestrate a predefined tool set, we treat pipeline design as open-ended code generation in which the agent's behavior is reshaped online by verbal reward. Specifically, we build MDForge, an LLM agent whose in-context update rule densifies the sparse reward via a multi-agent debate among physics experts. On three SAMPL host-guest binding free-energy benchmarks, MDForge automatically designs MD pipelines competitive with human experts. Deployed on a library of unseen candidate guests, its CB[7] pipeline discovers a novel binder that wet-lab competition NMR confirms is a high-affinity, picomolar CB[7] binder. Our data and code are available at https://github.com/Zehong-Wang/MDForge.