LLM驱动MCP物理工作流发现胰岛素递送聚合物

LLM驱动MCP物理工作流发现胰岛素递送聚合物：arXiv新论文公开Agentic搜索方法

日前，一篇标题为《Towards Discovery of Polymers for Insulin Delivery via Physics-Grounded Agentic》的论文登上arXiv（编号2605.18831）。该论文提出了一种由大语言模型（LLM）驱动、通过模型上下文协议（MCP）调用物理工具的工作流，专门用于搜索能替代冷链存储的胰岛素递送聚合物。真的有意思——AI居然开始干材料科学的精细活了。

冷链限制是痛点，搜索空间太大

论文开篇就直指现实问题：冷链存储限制了数亿人对胰岛素的可及性。如果能找到一种热保护贴片聚合物，问题就能缓解。可麻烦在于，设计空间大到没法靠穷举实验来筛选。为什么？因为PSMILES空间里可能的聚合物组合太多，实验室里一个一个试根本不现实。

Agentic工作流怎么运作？

研究团队把问题缩小到一个智能体工作流上：LLM通过MCP去调用基于物理的工具，比如OpenMM和Packmol-matrix。这个工作流在有限的评估预算内搜索离散的PSMILES空间。说白了，就是让AI当“大脑”，物理工具当“手脚”，配合着找候选材料。这算是一个挺巧妙的组合。

LLM扮演隐式采集函数

在这个工作流里，LLM可不是随便瞎猜。它实际上充当了隐式采集函数，依赖一个持久的“发现世界”来决策。这个世界里存着假设、历史记录和最新的模拟结果。没错，这相当于给了AI一个记忆和推理的框架，让它能越找越准。

预算有限，策略能行吗？

论文强调，整个搜索是在预算约束下进行的。既然没法无限评估，那策略就得足够聪明。LLM+MCP这个组合能不能在少量评估里找到有效的胰岛素递送聚合物？现在还没最终结论，但方向确实值得关注。热保护贴片要是真能落地，那数亿人的生活质量可就大不一样了。