配备文献库的固定流程LLM智能体，仅凭一条自然语言提示即可设计蛋白结合剂
- LPT将多个固定的LLM阶段串联起来，每个阶段运行有上限的工具调用循环，因此只需一条通俗请求即可启动结合剂设计，同时压低token消耗和算力成本。
- 各阶段可查询一个整理过的、约14000篇论文要点的数据库；有权访问的模型答对了从中出的大部分题目，而无权访问的模型一题也没答对。
- 三项端到端设计任务分别针对CALCRL/RAMP1、PD-1/PD-L1和PVR-TIGIT。依据仅为多个折叠预测模型之间的一致性（in silico），未报告实验验证。
💡 要点 基于摘要的观点
LPT的新意在于有上限的编排层，而不是新的结合剂设计方法；其文献测试也只证明有检索胜过无检索，门槛很低。没有湿实验数据时，折叠模型之间的一致性只是薄弱证据，因为这些模型共享训练偏差。放到我的项目上，与常规RFdiffusion流程比较命中率才能见分晓。
LPT: Orchestrating bounded agentic loops for automated protein binder design ↗