药物发现需要在庞大的研究空间中持续进行科学决策。我们提出 PharmAgents2，一个结合知识增强决策与组织化大规模探索的自主端到端药物发现系统。\ \ Paper2Skill 从公开文献中提取可迁移的科学决策知识，并与专家开发的技能结合，为研究决策提供支持。\ \ Self-Scaling Discovery 通过并行代理在不同靶点、科学假设和发现策略之间继承研究上下文和决策能力，实现探索规模的自我扩展。\ \ 我们发布 PharmAgents-Bench v0.1，包含 121 个问题，覆盖九种决策场景和三项端到端任务，并使用专家定义的过程评分标准进行评估。结果显示，PharmAgents2 在大多数决策类别中优于基线，并在所有端到端任务上获得最高过程分数。\ \ 在三项真实案例中，系统生成的发现随后得到人工实验的验证。对 LpxH，系统首次提出未报道的别构位点并筛选化合物，发现一种新抑制剂骨架并实验确认其抑制活性和结合模式。对 JAK1，系统优先选择共价抑制策略并提名活性化合物。基于已知活性分子，Self-Scaling Discovery 在全蛋白组范围内探索候选靶点，成功识别出新的结合靶点，实验亦予以确认。\ \ PharmAgents2 作为虚拟制药公司的原型，展示了向自主端到端药物发现迈进的重要一步。\ \ 点评：该工作将知识抽取、决策模型和大规模并行探索有机结合，提供了可复现的评估基准，为未来的全自动药物研发奠定了基础。