論文の概要: DrugAgent: Multi-Agent Large Language Model-Based Reasoning for Drug-Target Interaction Prediction

• arxiv url: http://arxiv.org/abs/2408.13378v4
• Date: Mon, 07 Apr 2025 19:32:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 13:27:50.882982
• Title: DrugAgent: Multi-Agent Large Language Model-Based Reasoning for Drug-Target Interaction Prediction
• Title（参考訳）: 薬物・標的相互作用予測のためのマルチエージェント大規模言語モデルに基づく推論
• Authors: Yoshitaka Inoue, Tianci Song, Xinling Wang, Augustin Luna, Tianfan Fu,
• Abstract要約: DrugAgentは、薬物と薬物の相互作用を予測するためのマルチエージェントシステムである。 複数の専門的な視点と透明な推論を組み合わせる。 我々のアプローチは、予測毎に詳細な人間解釈可能な推論を提供する。
• 参考スコア（独自算出の注目度）: 8.98329812378801
• License:
• Abstract: Advancements in large language models (LLMs) allow them to address diverse questions using human-like interfaces. Still, limitations in their training prevent them from answering accurately in scenarios that could benefit from multiple perspectives. Multi-agent systems allow the resolution of questions to enhance result consistency and reliability. While drug-target interaction (DTI) prediction is important for drug discovery, existing approaches face challenges due to complex biological systems and the lack of interpretability needed for clinical applications. DrugAgent is a multi-agent LLM system for DTI prediction that combines multiple specialized perspectives with transparent reasoning. Our system adapts and extends existing multi-agent frameworks by (1) applying coordinator-based architecture to the DTI domain, (2) integrating domain-specific data sources, including ML predictions, knowledge graphs, and literature evidence, and (3) incorporating Chain-of-Thought (CoT) and ReAct (Reason+Act) frameworks for transparent DTI reasoning. We conducted comprehensive experiments using a kinase inhibitor dataset, where our multi-agent LLM method outperformed the non-reasoning multi-agent model (GPT-4o mini) by 45% in F1 score (0.514 vs 0.355). Through ablation studies, we demonstrated the contributions of each agent, with the AI agent being the most impactful, followed by the KG agent and search agent. Most importantly, our approach provides detailed, human-interpretable reasoning for each prediction by combining evidence from multiple sources - a critical feature for biomedical applications where understanding the rationale behind predictions is essential for clinical decision-making and regulatory compliance. Code is available at https://anonymous.4open.science/r/DrugAgent-B2EA.
• Abstract（参考訳）: 大きな言語モデル(LLM)の進歩により、人間のようなインタフェースを使って様々な問題に対処できる。 それでも、トレーニングの制限は、複数の視点から恩恵を受ける可能性のあるシナリオにおいて、正確に答えることを妨げる。 マルチエージェントシステムでは、質問の解決によって結果の一貫性と信頼性が向上する。 薬物-標的相互作用(DTI)の予測は薬物発見に重要であるが、既存のアプローチは複雑な生物学的システムと臨床応用に必要な解釈可能性の欠如による課題に直面している。 DrugAgentはDTI予測のためのマルチエージェントLLMシステムであり、複数の専門的な視点と透明な推論を組み合わせる。 本システムは,(1)DTIドメインにコーディネータベースのアーキテクチャを適用し,(2)ML予測,知識グラフ,文献証拠を含むドメイン固有のデータソースを統合すること,(3)CAT(Chain-of-Thought)およびReAct(Reason+Act)フレームワークを透過的DTI推論に組み込むことにより,既存のマルチエージェントフレームワークを適応・拡張する。 我々は, キナーゼ阻害剤を用いた総合的な実験を行い, マルチエージェントLDM法はF1スコア(0.514 vs 0.355)の45%の非リアゾン化マルチエージェントモデル(GPT-4o mini)より優れていた。 アブレーション研究を通じて,AIエージェントが最も影響力のあるエージェント,次いでKGエージェント,検索エージェントの貢献を実証した。 より重要なことは、我々のアプローチは、複数の情報源からの証拠を組み合わせることによって、予測の詳細な人為的解釈可能な推論を提供する。 コードはhttps://anonymous.4open.science/r/DrugAgent-B2EAで公開されている。

関連論文リスト

• Decoding Drug Discovery: Exploring A-to-Z In silico Methods for Beginners [4.08908337437878]
  本研究の主な目的は、薬物開発プロセスで使用されるシリコ法をレビューすることである。 本稿では, 生物活性化合物の標的同定に必須であるシリカ技術におけるA-to-Zについて, 徹底的に論じる。
  論文  参考訳（メタデータ） (2024-12-15T10:02:38Z)
• DrugAgent: Automating AI-aided Drug Discovery Programming through LLM Multi-Agent Collaboration [31.892593155710625]
  本稿では,薬物発見における機械学習(ML)プログラムの自動化を目的としたマルチエージェントフレームワークであるDrarmAgentを紹介する。 DrugAgentは、特定の要件を特定し、ドメイン固有のツールを構築することで、ドメインの専門知識を取り入れている。 例えば、DarmAgentは、データ取得からADMET予測タスクのパフォーマンス評価まで、MLプログラミングパイプラインをエンドツーエンドで完了し、最終的に最良のモデルを選択することができる。
  論文  参考訳（メタデータ） (2024-11-24T03:06:59Z)
• Large Language Models in Drug Discovery and Development: From Disease Mechanisms to Clinical Trials [49.19897427783105]
  大規模言語モデル(LLM)の創薬・開発分野への統合は、重要なパラダイムシフトである。 これらの先進的な計算モデルが、ターゲット・ディスリーズ・リンクを明らかにし、複雑なバイオメディカルデータを解釈し、薬物分子設計を強化し、薬物の有効性と安全性を予測し、臨床治験プロセスを促進する方法について検討する。
  論文  参考訳（メタデータ） (2024-09-06T02:03:38Z)
• Learning to Describe for Predicting Zero-shot Drug-Drug Interactions [54.172575323610175]
  薬物と薬物の相互作用は同時投与の有効性を損なう可能性がある。 従来のDDI予測の計算手法では、知識不足のため、新しい薬物の相互作用を捉えることができない可能性がある。 言語モデルに基づくDDI予測器と強化学習(RL)に基づく情報セレクタを用いたテキストDDIを提案する。
  論文  参考訳（メタデータ） (2024-03-13T09:42:46Z)
• Multiscale Topology in Interactomic Network: From Transcriptome to Antiaddiction Drug Repurposing [0.3683202928838613]
  米国における薬物依存の激化は、革新的な治療戦略の緊急の必要性を浮き彫りにしている。 本研究は,オピオイドおよびコカイン依存症治療の薬物再服用候補を探索するための,革新的で厳格な戦略に着手した。
  論文  参考訳（メタデータ） (2023-12-03T04:01:38Z)
• Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural Network with Biomedical Network [69.16939798838159]
  本稿では,新興医薬品の相互作用を効果的に予測できるグラフニューラルネットワーク(GNN)であるEmerGNNを提案する。 EmerGNNは、薬物ペア間の経路を抽出し、ある薬物から他の薬物へ情報を伝達し、関連する生物学的概念を経路に組み込むことで、薬物のペアワイズ表現を学習する。 全体として、EmerGNNは、新興薬物の相互作用を予測する既存のアプローチよりも精度が高く、バイオメディカルネットワーク上で最も関連性の高い情報を特定できる。
  論文  参考訳（メタデータ） (2023-11-15T06:34:00Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• KGML-xDTD: A Knowledge Graph-based Machine Learning Framework for Drug Treatment Prediction and Mechanism Description [11.64859287146094]
  KGML-xDTD(知識グラフに基づく機械学習フレームワーク)を提案する。 グラフベースの強化学習プロセスにおける中間指導として,知識と公開に基づく情報を活用し,生物学的に意味のある「実証経路」を抽出する。
  論文  参考訳（メタデータ） (2022-11-30T17:05:22Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• Multi-View Substructure Learning for Drug-Drug Interaction Prediction [69.34322811160912]
  DDI予測のための新しいマルチビュードラッグサブ構造ネットワーク(MSN-DDI)を提案する。 MSN-DDIは、単一の薬物(イントラビュー)と薬物ペア(インタービュー)の両方の表現から化学的サブ構造を同時に学習し、そのサブ構造を利用して、薬物表現を反復的に更新する。 総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。
  論文  参考訳（メタデータ） (2022-03-28T05:44:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。