基于LLM智能体的评估器在环MCTS用于蛋白质设计中的基序支架构建
原标题：Evaluator-in-the-Loop Monte Carlo Tree Search via LLM Agents for Motif Scaffolding in Protein Design
AI 摘要
研究提出 ELMS（Evidence-based LLM-guided Monte Carlo Search），一种将评估器置于循环中的蒙特卡洛树搜索框架，用于蛋白质设计中的 motif scaffolding。ELMS 将已评估的支架作为持久搜索状态，由 Critic Agent 诊断局部结构失败、Policy Agent 选择操作算子、motif-locked 算子执行序列修改，并由 MCTS 决定后续设计投入。在 GeomMotif 协议下，单 motif 任务成功率达 86.41%，配对 motif 任务达 84.57%，分别超过最强基线 19.3 和 21.9 个百分点；在 MotifBench 上平均解决 26.7/30 个任务（88.89%），基线为 16.0 个（53.33%）。
正文节选
Evaluator-in-the-Loop Monte Carlo Tree Search via LLM Agents for Motif Scaffolding in Protein Design Abstract Motif-scaffolding systems commonly follow a generate-then-filter paradigm, in which candidate proteins are generated independently and structural evaluation is used primarily for terminal screening or ranking. This paradigm underuses evaluation: failed predictions contain state-specific evidence about whether a design requires repair of motif geometry, global foldability, or other struct