在人工智能掀起科学范式变革的浪潮中，智能体AI正以其自主规划、工具调用与多步推理能力，深刻改变着科学发现的方式。计算机辅助药物设计作为典型的多层次、高复杂度领域，长期以来依赖专家经验与分散的计算任务，而今正迎来向全自动化流程的历史性跨越。在这一背景下，安特卫普大学、Open Analytics与强生公司联合开发的MolAgent框架，作为首个面向“智能体时代”的生物分子性质预测系统，于2025年10月发表于《Journal of Chemical Information and Modeling》，标志着药物发现早期研究进入了智能体驱动的新阶段。

药物发现的智能化瓶颈与MolAgent的应运而生

尽管CADD技术已发展数十年，但其流程仍严重依赖人工干预与领域专业知识整合，导致效率低下与资源消耗巨大。实现真正自主化药物发现的核心挑战在于：如何构建能够与人类专家水平相匹敌的高质量、高可靠性分子性质预测模型。传统建模过程涉及特征工程、算法选择、超参数优化与验证等多个环节，每一步都需要深厚的技术积累与反复调试。MolAgent的提出，正是为了攻克这一关键瓶颈，通过构建一个系统无关、端到端全自动的智能体AI框架，为药物早期研发提供高保真分子建模能力。

技术内核：全自动工作流与多维特征融合

MolAgent的设计体现了智能体AI在科学计算中的典型范式：它将分子表示、特征生成、数据聚类、模型选择与性能验证整合为一条无缝流水线。其创新性在于实现了多维度分子特征的统一集成——不仅支持传统描述符与指纹，更整合了基于ChEMBL预训练Transformer的学习嵌入、甚至3D结构特征，使模型能够捕捉从理化性质到空间相互作用模式的全面信息。

更值得关注的是其自适应建模策略。通过预定义“低成本–中等成本–高成本”三级计算配置，MolAgent使得不同资源水平的用户都能获得最优建模方案，同时保留了对高级用户的高度可定制性。其采用的嵌套交叉验证与集成方法，确保了模型在多样化数据集上的鲁棒性与泛化能力。

智能体互操作性：MCP协议与多智能体协同

MolAgent的突破性不仅在于其建模能力，更在于其与智能体生态系统的深度集成。通过全面遵循模型上下文协议，MolAgent实现了与异构智能体基础架构的无缝互操作。其内置的MCP服务器工具(如automol_classification_model和automol_regression_model)使得大语言模型只需提供输入数据即可触发完整建模流程，无需任何手动编码或流程设计。

在实际应用中，MolAgent可嵌入由管理代理、数据代理与模型训练代理构成的多智能体层级中，实现从任务调度、数据预处理到模型训练评估的全面自主协同。这种设计使得它能够作为核心组件，融入更复杂的自主药物发现工作流，与深度研究智能体、生成式分子设计智能体等协同作战，真正实现“假设生成–分子设计–性质预测”的闭环自动化。

展望：智能体AI驱动药物发现的未来

MolAgent的出现，不仅是技术工具的升级，更是研究范式的革命。它使得研究人员从繁琐的建模细节中解放出来，专注于更高层次的科学问题与策略制定。通过在社区数据集与真实药物研发任务上的验证，MolAgent已展现出与专家手工模型相媲美的性能，证明了智能体AI在复杂科学计算任务中的实用价值。

随着智能体协议的标准化与基础模型的持续进化，像MolAgent这样的专业化智能体将共同构成一个协同创新的网络，大幅压缩药物早期发现的时间与成本，加速治疗方法的创新。在这个由智能体AI驱动的科学发现新时代，MolAgent不仅是一项技术突破，更为我们展现了一个更高效、更精准、更可扩展的药物研发未来。