根据 2026-03-14 组会讨论，老师提出了以下核心问题：

1. 任务关联性不足

• 当前四个任务过于孤立，缺乏明确的故事脉络
• 需要从"多任务优化"转变为"流水线式优化"
• 必须说清楚为什么选择这几个任务放在一起

2. 能量与任务的关联未明确

• 需要先建立能量（自由能、焓等）与下游任务之间的关联
• 建议画出知识图谱式的关系图，展示哪些任务与哪个能量相关
• 能量视角应成为任务设计的重要考量点

3. 框架图需优化

• 当前框架图过于模板化、流程化
• 建议手画图，重点梳理能量与任务的逻辑关系

基于老师反馈，我们将任务精简为三个核心任务，并通过能量视角建立关联：

1. Binding（分子-蛋白结合）

• 预测候选药物与靶点蛋白的结合亲和力
• 评估药物的主要作用效果
• 能量关联：使用结合自由能（ΔG）评估结合强度

2. Retrosynthesis（逆合成路径预测）

• 预测目标分子的合成路径
• 解决"能不能合成"的问题
• 能量关联：通过键解离能（BDE）评估反应可行性

3. 酶催化（代谢酶反应预测）

• 预测药物与代谢酶（CYP450等）的相互作用
• 评估药物代谢稳定性与潜在副作用
• 能量关联：氧化还原反应依赖于能量视角

三个任务通过能量视角形成完整的药物研发故事链：

故事脉络

合成 → 结合 → 代谢

• 不仅要提高靶点亲和力 (Efficacy)，还要降低代谢负债 (Liability)
• 从宏观角度来说分子与大分子的相互作用，只是所处的"热力学与动力学阶段"不同

能量视角的统一

将传统的数据异质图升级为具有能量语义的知识图谱

节点层级抽象

• Molecule 节点：候选分子、代谢物、前体
• Protein/Enzyme 节点：统一了 Target Protein 和 Metabolic Enzyme
• Local Chemistry 节点：原子、化学键、片段、反应位点
• Memory 节点：Agent迭代的正确与失败记忆案例

多尺度能量边

摒弃简单的二元关系，引入具有热力学属性的能量边：

• binds_to → 使用 $\Delta G_{bind}$
• reacts_with → 使用 BDE, $\Delta E_a$
• transforms_to → 使用反应可行性

Energy-KG 不再仅仅是数据库，而是 Agent 感知、记忆和决策的动态环境

非共价边 (Non-covalent bond)

binds_to 使用 $\Delta G_{bind}$

• 目标是优化亲和力
• 评估分子能否稳定进入蛋白口袋

共价/反应边 (Covalent bond)

reacts_with 使用：

• BDE (键解离能) - 评估化学键强度
• $\Delta E_a$ (活化能) - 评估反应能垒

统一优化

• 靶点药效 (最大化 $\Delta G_{bind}$)
• 代谢酶降解 (最大化 BDE, 提高 $\Delta{E_a}$)
• 分子逆合成 (最小化BDE，降低 $\Delta{E_a}$ 的反应难度)

Energy-KG Core Agent

一个主Agent作为系统的大脑，拥有对 Energy-KG 的全局读写权限

执行层 Agents

• Binding Agent：负责靶点结合评估
• Metabolism Agent：负责代谢风险预测
• Retrosynthesis Agent：负责合成路径规划

Molecule A 从代谢风险识别到结构优化的完整闭环：

1. 发现问题：Metabolism Agent 在 Energy-KG 中发现 Molecule A 存在指向 CYP3A4 的高风险代谢边，微观下钻定位到 C4 位点 C-H 键（低 BDE < 90 kcal/mol）

2. 解决问题：Retrosynthesis Agent 接收图谱约束，将 C4 位点 C-H 替换为 C-F（BDE ~120 kcal/mol），在保持核心骨架的同时消除代谢负债

3. 验证问题：Binding Agent 自动评估代谢物活性，检测潜在脱靶，结果写回图谱形成记忆