Mozi Framework: Eine neue Ära in der Arzneimittelentwicklung durch KI-gesteuerte Autonomie

Die moderne Arzneimittelentwicklung ist ein hochkomplexer, zeitintensiver und kostenaufwendiger Prozess, der typischerweise über ein Jahrzehnt dauern und Milliarden von Dollar pro zugelassenem Medikament verschlingen kann. Angesichts der Dringlichkeit, ungedeckten medizinischen Bedarf zu adressieren, wächst der Druck, diesen Prozess zu beschleunigen und effizienter zu gestalten. Jüngste Fortschritte in der Künstlichen Intelligenz (KI), insbesondere im Bereich der Large Language Models (LLMs) und Multi-Agenten-Systeme, bieten vielversprechende Ansätze zur Transformation dieses Sektors. Doch die Integration dieser Technologien in hochregulierte und risikobehaftete Bereiche wie die pharmazeutische Forschung bringt eigene Herausforderungen mit sich – insbesondere hinsichtlich der Governance und der langfristigen Zuverlässigkeit.

"Mozi": Eine Architektur für gesteuerte Autonomie in der Medikamentenentwicklung

Ein kürzlich vorgestelltes Framework mit dem Namen "Mozi" zielt darauf ab, diese Herausforderungen zu überwinden. Mozi ist eine duale Architektur, die darauf ausgelegt ist, die Flexibilität generativer KI mit der deterministischen Präzision der Computerbiologie zu verbinden. Das System ermöglicht die Entwicklung zuverlässiger und gesteuerter, werkzeuggestützter Agenten für den gesamten Prozess der Arzneimittelentwicklung.

Die Kernproblematik: Governance und Langzeit-Zuverlässigkeit

Die Einführung von LLM-Agenten in der Arzneimittelentwicklung wird durch zwei zentrale Engpässe behindert: eine unzureichende Governance bei der Werkzeugnutzung und eine mangelnde Zuverlässigkeit über lange Zeiträume. In den komplexen und voneinander abhängigen pharmazeutischen Pipelines können autonome Agenten in nicht reproduzierbare Trajektorien abdriften. Schon frühe "Halluzinationen" – also fehlerhafte oder erfundene Informationen von Seiten des LLM – können sich multiplikativ verstärken und zu weitreichenden Fehlern in späteren Phasen führen. Mozi wurde entwickelt, um diesen Problemen entgegenzuwirken.

Duale Architektur: Kontroll- und Workflow-Ebene

Mozi ist in zwei symbiotische Ebenen unterteilt, die jeweils spezifische Funktionen erfüllen:

• Kontroll-Ebene (Layer A): Diese Ebene etabliert eine hierarchische Supervisor-Arbeitskraft-Struktur. Sie erzwingt eine rollenbasierte Werkzeugisolation, beschränkt die Ausführung auf definierte Aktionsräume und steuert eine reflexionsbasierte Neuplanung. Sie agiert als übergeordnetes Governance- und Orchestrierungsmodul, das unstrukturierte Denkprozesse managt und eine strikte Nachvollziehbarkeit von Entscheidungen gewährleistet.
• Workflow-Ebene (Layer B): Hier werden die kanonischen Phasen der Arzneimittelentwicklung – von der Zielidentifikation bis zur Leitstrukturoptimierung – als zustandsbehaftete, zusammensetzbare "Skill Graphs" operationalisiert. Diese Ebene integriert strikte Datenkontrakte und strategische "Human-in-the-Loop" (HITL)-Kontrollpunkte, um die wissenschaftliche Validität an Entscheidungsgrenzen mit hoher Unsicherheit zu sichern. Sie verwaltet strukturierte wissenschaftliche Artefakte und gewährleistet die Integrität des wissenschaftlichen Workflows.

Das Designprinzip von Mozi lautet: "Freiform-Argumentation für sichere Aufgaben, strukturierte Ausführung für langfristige Pipelines". Dadurch werden integrierte Robustheitsmechanismen und eine Nachvollziehbarkeit auf Spurenebene bereitgestellt, um die Fehlerakkumulation vollständig zu minimieren.

Funktionsweise und Implementierung

Layer A: Governance und Orchestrierung

Die Kontroll-Ebene von Mozi implementiert ein hierarchisches Agentensystem aus Supervisor und Workern. Der Supervisor ist für die übergeordnete Planung und die Überwachung von Einschränkungen verantwortlich. Er generiert einen minimalen Plan für komplexe Anfragen und nutzt einen Reflexionsmechanismus, um den Abschlussstatus jedes Schritts zu bewerten. Bei Fehlern oder unzureichenden Informationen wird eine dynamische Neuplanung ausgelöst. Die Delegation von Aufgaben erfolgt an spezialisierte Worker (z. B. Research Worker, Computation Worker), die jeweils über eigene System-Prompts und isolierte Kontextfenster verfügen. Eine entscheidende Innovation ist die Hard-Coded Tool Filtering, die den Zugriff auf Werkzeuge basierend auf der Rolle des Workers physisch einschränkt, um Rollenüberschneidungen und Ressourcensicherheit zu gewährleisten.

Layer B: Artefaktzentrierte Skill Graphs

Während Layer A die Logik verwaltet, sichert Layer B die Integrität wissenschaftlicher Artefakte. Langfristige Arbeitsabläufe in der Arzneimittelentwicklung werden als „Composable Stateful Skill Graphs“ kodiert, die interne Zustandsverwaltung, parallele Ausführungszweige und die Durchsetzung strenger Datenschemata ermöglichen. LangGraph wird genutzt, um diese Arbeitsabläufe als zyklische Graphen mit Persistenz und Zustandsverwaltung zu implementieren.

Formatadaption und Zustandskontrakte

Um die Stabilität strukturierter Ausgaben zu gewährleisten, erzwingt Layer B explizite Zustandskontrakte zwischen den Knoten im Graphen. Formatadapter validieren und bereinigen Daten programmatisch, bevor sie an sensible Berechnungswerkzeuge weitergegeben werden, wodurch der "Garbage in, Garbage out"-Fehlermodus vermieden wird.

Kanonische Fähigkeiten der Arzneimittelentwicklung

Mozi implementiert spezialisierte Graphen für jede Phase der Entdeckungspipeline:

• Zielidentifikation (Target Identification, TI): Automatisiert den Übergang von einem Krankheitsnamen zu einem validierten strukturellen Input durch Aggregation von Multi-Source-Informationen und Retrieval von Proteinstrukturen.
• Trefferidentifikation (Hit Identification, HI): Nutzt eine parallele Dual-Stream-Strategie (generativ und Screening) zur Maximierung der chemischen Vielfalt und zur Identifizierung aktiver Verbindungen.
• Hit-to-Lead (H2L): Konzentriert sich auf die Transformation von validierten Treffern in optimierungswürdige Leitstrukturen durch chemische Raumexpansion und mehrstufige Filtration, um Toxizitätsrisiken zu minimieren.
• Leitstrukturoptimierung (Lead Optimization, LO): Setzt einen geschlossenen Multi-Objektiv-Optimierungszyklus mittels Reinforcement Learning ein, um Affinität, Medikamentenähnlichkeit und synthetische Zugänglichkeit zu balancieren.

Human-in-the-Loop (HITL) Checkpoints

An kritischen Entscheidungspunkten, wie der Finalisierung einer Kandidatenliste für die Synthese, pausiert Mozi die Ausführung. Experten können Ergebnisse genehmigen oder ablehnen, Parameter korrigieren oder einen Rollback auf einen früheren Zustand auslösen. Dieser kollaborative Ansatz stellt sicher, dass die autonome Ausführung mit der Expertenintuition übereinstimmt.

Datenarchitektur und Werkzeug-Federation

Die Kohärenz des Systems wird durch eine robuste Datenarchitektur gewährleistet, die den Denkprozess mit dem Artefaktzustand synchronisiert. Ein hybrides Speichersystem verwaltet den Kontextzustand (für LLM-Kontextfenster) und den Artefaktzustand (für Dateien und Datenobjekte). Die Herkunftsverfolgung (Provenance Tracking) zeichnet die Entstehung jedes Artefakts auf, um die Reproduzierbarkeit zu unterstützen. Die Integration heterogener biomedizinischer Werkzeuge erfolgt über das Model Context Protocol (MCP), eine standardisierte Abstraktionsschicht, die Entdeckung, Aufruf und Fehlerbehandlung vereinheitlicht.

Evaluierung und Fallstudien

Mozi wurde auf "PharmaBench" evaluiert, einem Benchmark mit 88 Aufgaben, die das gesamte Spektrum der Arzneimittelentwicklung abdecken. Die Ergebnisse zeigen eine überlegene Orchestrierungsgenauigkeit im Vergleich zu bestehenden Baselines. Insbesondere übertrifft Mozi mit Open-Source-Modellen allgemeine Konfigurationen wie Gemini-2.5-Pro, das mit Websuche erweitert wurde.

Drei detaillierte Fallstudien für Morbus Crohn, Parkinson und Sepsis demonstrieren Mozis Fähigkeit, den gesamten Workflow von der Zielidentifikation bis zur Leitstrukturoptimierung zu durchlaufen. Diese Studien heben folgende Vorteile hervor:

• Dynamische Anpassungsfähigkeit: Das System wechselt nahtlos zwischen generativen KI-Strategien und traditionellem High-Throughput Virtual Screening.
• Robuste Fehlerbehandlung: Lokalisierte Rechenfehler werden innerhalb der Skill Graphs abgefangen, ohne den übergeordneten Agenten-Workflow zu unterbrechen.
• Multi-objektive Korrektur: Im Fall von Parkinson erkannte das System Toxizitätsstrafen in einer Zwischenphase und navigierte autonom zu einem sichereren chemischen Gerüst.
• Mensch-in-der-Schleife-Interventionen: HITL-Kontrollpunkte erweisen sich als wesentlich, um den autonomen Prozess zu steuern und die Ausrichtung der Rechenpfade an der klinischen Machbarkeit sicherzustellen.

Vergleichende Analyse

Ein Vergleich mit anderen automatisierten Plattformen zur Medikamentenentwicklung, wie Biomni, K-Dense und BIOS, zeigte, dass Mozi in der Lage ist, neuartige Moleküle zu entwerfen, die den Designbeschränkungen strikt entsprechen und vergleichbare Bindungsaffinitätswerte wie etablierte klinische Baselines (z. B. DNL201 für Parkinson) erreichen. Andere Plattformen zeigten Schwächen bei der Generierung neuartiger Moleküle, der umfassenden ADMET-Profilierung oder der Einhaltung physiochemischer Anforderungen.

Einschränkungen und Risikobetrachtung

Trotz seines strukturierten Designs weist Mozi auch Einschränkungen auf:

• Abhängigkeit von externen Tools und Datenquellen: Schwankungen in externen Daten und APIs können die Reproduzierbarkeit beeinträchtigen.
• Restliche Stochastizität von LLM-basierten Agenten: Obwohl reduziert, kann die Stochastizität in frühen Explorationsaufgaben zu divergenten Ergebnissen führen.
• HITL-Abwägungen: HITL-Kontrollpunkte verbessern die Zuverlässigkeit, erhöhen aber den Benutzeraufwand und reduzieren den Automatisierungsgrad.
• Wissenschaftliche Validität und Sicherheit: Mozi ist ein Entscheidungsunterstützungssystem, keine autonome wissenschaftliche Autorität. Ergebnisse müssen von Experten interpretiert und validiert werden.
• Einschränkungen bei Benchmarks und Evaluierung: Aktuelle Benchmarks vermischen internes Modellwissen, Robustheit der Werkzeugschnittstelle und Orchestrierungsfähigkeit, was die Isolierung spezifischer Fehlerquellen erschwert.
• Abhängigkeit von In-silico-Surrogatmodellen: Die Evaluierungen stützen sich stark auf Deep-Learning-Proxy-Modelle, die inhärente Unsicherheiten aufweisen. Zukünftige Iterationen müssen eine explizite Quantifizierung der Unsicherheit (UQ) und eine Konsensbewertung integrieren.

Fazit und Ausblick

Mozi repräsentiert einen workflow-nativen Ansatz für die LLM-gestützte Arzneimittelentwicklung, indem es eine gesteuerte Multi-Agenten-Kontrollebene mit einer Bibliothek strukturierter Skill Graphs für langfristige wissenschaftliche Aufgaben vereint. Die duale Architektur von Mozi zielt darauf ab, die Zuverlässigkeit, Auditierbarkeit und Kontrollierbarkeit zu verbessern, ohne die breite wissenschaftliche Kompetenz zu opfern.

Zukünftige Arbeiten könnten die Lernroutenrichtlinien, die automatische Induktion wiederverwendbarer Fähigkeiten aus Ausführungsprotokollen, die Entwicklung formalerer und maschinenprüfbarer Werkzeug-Governance-Mechanismen sowie die Integration eines hybriden Speichersystems umfassen. Standardisierte Evaluierungssuiten sind erforderlich, um die Qualität der Orchestrierung, Robustheit und langfristige Denkfähigkeit wissenschaftlicher Agenten präziser zu messen.

Mozi stellt einen bedeutenden Schritt dar, um LLMs von "fragilen Gesprächspartnern" in zuverlässige, gesteuerte Co-Wissenschaftler zu verwandeln, die das Potenzial haben, die Arzneimittelentwicklung grundlegend zu verändern und zu beschleunigen.

Bibliography: - Cao, H., Liu, S., Zhang, F., Liu, Z., Li, H., Feng, B., Bai, S., Chen, L., Xie, K., & Li, Y. (2026). Mozi: Governed Autonomy for Drug Discovery LLM Agents. arXiv. - Hugging Face. (n.d.). Mozi: Governed Autonomy for Drug Discovery LLM Agents. - PharmaFeatures. (2026, January 7). Molecular Autonomy: How Multi-Agent AI is Rebuilding Drug Discovery Workflows. - Solovev, G. V., Zhidkovskaya, A. B., Orlova, A., Vepreva, A., Ilya, T., Golovinskii, R., Gubina, N., Chistiakov, D., Aliev, T. A., Poddiakov, I., Zubkova, G., Skorb, E. V., Vinogradov, V., Nikitin, N., Dmitrenko, A., Kalyuzhnaya, A., & Savchenko, A. (n.d.). Towards LLM-Driven Multi-Agent Pipeline for Drug Discovery: Neurodegenerative Diseases Case Study. OpenReview.