A Modular Agentic Framework for Synthetically Constrained Multi-Objective Hit-to-Lead Optimization
Di cosa parla
SABLE è un framework open-source per trasformare una molecola "hit" in candidati "lead" rispettando vincoli di sintesi e proprietà chimico-fisiche. Usa un modello che capisce istruzioni in linguaggio naturale per interpretare gli obiettivi e coordinare strumenti modulari che generano, valutano e ordinano analoghi chimici, fornendo la tracciabilità di ogni risultato; nei test ha arricchito i candidati promettenti pur esplorando solo una parte dello spazio di ricerca.
Cosa permette di osservare
Permette di esplorare come un modello che comprende istruzioni possa guidare e rendere più trasparente il processo di progettazione chimica, e se un'architettura modulare faciliti il confronto e la sostituzione di strumenti per rispettare vincoli di sintesi.
Dalla fonte
Hit-to-lead optimization requires iterative design of hit analogs across competing potency, selectivity, physicochemical, pharmacokinetic, safety, and synthetic constraints. We present SABLE (Synthetically-accessible Agentic Bayesian Ligand Exploration), an open-source framework that employs natural-language orchestration to guide chemical structure optimization. SABLE uses an LLM to interpret user-defined goals and route tasks, while specialized tools perform reaction-templated analog enumeration, physicochemical and ADMET property prediction, structure-based affinity scoring, and Bayesian optimization. The resulting workflow is a computational twin of the analytical and prioritization stages of the design-make-test-analyze cycle, providing provenance of each numerical output. Across single, and multi-objective optimization studies, SABLE enriches candidate sets for user-defined comput…