論文の概要: $\texttt{PatentAgent}$: Intelligent Agent for Automated Pharmaceutical Patent Analysis
- arxiv url: http://arxiv.org/abs/2410.21312v1
- Date: Fri, 25 Oct 2024 19:15:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-30 13:43:05.395971
- Title: $\texttt{PatentAgent}$: Intelligent Agent for Automated Pharmaceutical Patent Analysis
- Title（参考訳）: $\texttt{PatentAgent}$: Intelligent Agent for Automated Pharmaceutical Patent Analysis
- Authors: Xin Wang, Yifan Zhang, Xiaojing Zhang, Longhui Yu, Xinna Lin, Jindong Jiang, Bin Ma, Kaicheng Yu,
- Abstract要約: 我々は、このドメインに$textbffirst$ Intelgent Agent、$texttPatentAgent$を導入し、薬学研究の展望を前進させ、潜在的に変革する可能性がある。
$textitPA-QA$、$textitPA-Img2Mol$、$textitPA-CoreId$の3つの主要なエンドツーエンドモジュールは、それぞれ(1)特許の問合せ、(2)画像から分子構造への変換、(3)コアの化学構造識別を実行する。
- 参考スコア（独自算出の注目度）: 17.569006298922783
- License:
- Abstract: Pharmaceutical patents play a vital role in biochemical industries, especially in drug discovery, providing researchers with unique early access to data, experimental results, and research insights. With the advancement of machine learning, patent analysis has evolved from manual labor to tasks assisted by automatic tools. However, there still lacks an unified agent that assists every aspect of patent analysis, from patent reading to core chemical identification. Leveraging the capabilities of Large Language Models (LLMs) to understand requests and follow instructions, we introduce the $\textbf{first}$ intelligent agent in this domain, $\texttt{PatentAgent}$, poised to advance and potentially revolutionize the landscape of pharmaceutical research. $\texttt{PatentAgent}$ comprises three key end-to-end modules -- $\textit{PA-QA}$, $\textit{PA-Img2Mol}$, and $\textit{PA-CoreId}$ -- that respectively perform (1) patent question-answering, (2) image-to-molecular-structure conversion, and (3) core chemical structure identification, addressing the essential needs of scientists and practitioners in pharmaceutical patent analysis. Each module of $\texttt{PatentAgent}$ demonstrates significant effectiveness with the updated algorithm and the synergistic design of $\texttt{PatentAgent}$ framework. $\textit{PA-Img2Mol}$ outperforms existing methods across CLEF, JPO, UOB, and USPTO patent benchmarks with an accuracy gain between 2.46% and 8.37% while $\textit{PA-CoreId}$ realizes accuracy improvement ranging from 7.15% to 7.62% on PatentNetML benchmark. Our code and dataset will be publicly available.
- Abstract（参考訳）: 医薬品特許は、特に医薬品の発見において、生化学産業において重要な役割を担い、研究者がデータや実験結果、研究の洞察を早期に利用できるようにしている。
機械学習の進歩により、特許分析は手作業から自動ツールによるタスクへと進化してきた。
しかし、特許の読み取りから中核的な化学的識別まで、特許分析のあらゆる側面を補助する統一されたエージェントはいまだに存在しない。
要求を理解し、指示に従うために、LLM(Large Language Models)の機能を活用することで、このドメインに$\textbf{first}$インテリジェントエージェント、$\texttt{PatentAgent}$を導入します。
$\textt{PatentAgent}$は、3つの主要なエンドツーエンドモジュールからなる -- $\textit{PA-QA}$, $\textit{PA-Img2Mol}$, $\textit{PA-CoreId}$ -- それぞれ(1) 特許問合せ、(2) 画像から分子構造への変換、(3) 中心的な化学構造を識別し、医薬特許分析における科学者や実践者の必要に対処する。
$\texttt{PatentAgent}$のそれぞれのモジュールは、更新されたアルゴリズムと$\texttt{PatentAgent}$フレームワークの相乗的設計による大きな効果を示す。
$\textit{PA-Img2Mol}$は、CLEF、JPO、UOB、USPTOの特許ベンチマークにおいて、精度が2.46%から8.37%向上するのに対して、$\textit{PA-CoreId}$は7.15%から7.62%の精度改善を実現する。
コードとデータセットは公開されます。
関連論文リスト
- AutoPT: How Far Are We from the End2End Automated Web Penetration Testing? [54.65079443902714]
LLMによって駆動されるPSMの原理に基づく自動浸透試験エージェントであるAutoPTを紹介する。
以上の結果から, AutoPT は GPT-4o ミニモデル上でのベースラインフレームワーク ReAct よりも優れていた。
論文 参考訳（メタデータ） (2024-11-02T13:24:30Z) - Towards Automated Patent Workflows: AI-Orchestrated Multi-Agent Framework for Intellectual Property Management and Analysis [0.0]
PatExpertは、特許関連のタスクを合理化し最適化するために設計された、自律的なマルチエージェント会話フレームワークである。
このフレームワークは、さまざまな特許関連のタスクに対してタスク固有の専門家エージェントをコーディネートするメタエージェントと、エラーハンドリングとフィードバックプロビジョニングのための批判エージェントで構成されている。
論文 参考訳（メタデータ） (2024-09-21T13:44:34Z) - PATopics: An automatic framework to extract useful information from pharmaceutical patents documents [4.340983107526238]
PATopicsは、薬品特許に関する関連情報を抽出するために特別に設計されたフレームワークである。
478社で特許取得された809分子に関する4,832の医薬品特許を用いてフレームワークを広範囲に分析した。
論文 参考訳（メタデータ） (2024-08-12T19:18:51Z) - On the Resilience of Multi-Agent Systems with Malicious Agents [58.79302663733702]
本稿では,悪意のあるエージェント下でのマルチエージェントシステムのレジリエンスについて検討する。
我々は、任意のエージェントを悪意のあるエージェントに変換する2つの方法、AutoTransformとAutoInjectを考案した。
各エージェントが他のエージェントの出力に挑戦するためのメカニズムを導入するか、あるいはメッセージのレビューと修正を行う追加のエージェントを導入することで、システムのレジリエンスを高めることができることを示す。
論文 参考訳（メタデータ） (2024-08-02T03:25:20Z) - Leveraging Large Language Models to Improve REST API Testing [51.284096009803406]
RESTGPTはAPI仕様を入力として、機械解釈可能なルールを抽出し、仕様内の自然言語記述からサンプルパラメータ値を生成する。
評価の結果、RESTGPTはルール抽出と値生成の両方において既存の技術よりも優れています。
論文 参考訳（メタデータ） (2023-12-01T19:53:23Z) - Automated patent extraction powers generative modeling in focused
chemical spaces [0.0]
深い生成モデルが逆分子設計のエキサイティングな道として登場した。
材料科学と化学への適用性における重要な課題の1つは、プロパティラベル付きでスケール可能なトレーニングデータセットにアクセスできないことである。
我々は、特許のデジタルファイルから、人間の介入を最小限に抑えた新しい候補を生み出すための自動パイプラインを開発する。
論文 参考訳（メタデータ） (2023-03-14T23:26:55Z) - Stealing the Decoding Algorithms of Language Models [56.369946232765656]
現代の言語モデル(LM)からテキストを生成する重要な要素は、復号アルゴリズムの選択とチューニングである。
本研究では,LMに典型的なAPIアクセスを持つ敵が,その復号アルゴリズムの型とハイパーパラメータを盗むことができることを示す。
我々の攻撃は、GPT-2、GPT-3、GPT-Neoなどのテキスト生成APIで使われる一般的なLMに対して効果的である。
論文 参考訳（メタデータ） (2023-03-08T17:15:58Z) - Patent Sentiment Analysis to Highlight Patent Paragraphs [0.0]
特許文書が与えられた場合、異なるセマンティックアノテーションを識別することは興味深い研究の側面である。
手動の特許分析の過程で、より読みやすくするために、段落をマークして意味情報を認識することが実際である。
この作業は、セマンティック情報を自動的に強調する特許実践者を支援し、機械学習の適性を利用して持続的で効率的な特許分析を作成するのに役立つ。
論文 参考訳（メタデータ） (2021-11-06T13:28:29Z) - Pharmacoprint -- a combination of pharmacophore fingerprint and
artificial intelligence as a tool for computer-aided drug design [6.053347262128918]
我々はPharmacoprintと呼ばれる高分解能の医薬品用指紋を提案する。
分子の存在、型、および分子の薬理泳動の特徴の間の関係をコードする。
論文 参考訳（メタデータ） (2021-10-04T11:36:39Z) - Discovering Drug-Target Interaction Knowledge from Biomedical Literature [107.98712673387031]
人体における薬物と標的(DTI)の相互作用は、生物医学や応用において重要な役割を担っている。
毎年何百万もの論文がバイオメディカル分野で出回っているので、文学からDTIの知識を自動的に発見することは、業界にとって急激な需要となっている。
生成的アプローチを用いて,この課題に対する最初のエンドツーエンドソリューションについて検討する。
我々はDTI三重項をシーケンスとみなし、Transformerベースのモデルを使ってエンティティや関係の詳細なアノテーションを使わずに直接生成する。
論文 参考訳（メタデータ） (2021-09-27T17:00:14Z) - Exploration and Incentives in Reinforcement Learning [107.42240386544633]
各エージェントが同一(ただし未知)のMDPに直面する複雑な探索問題を考察する。
エージェントはポリシーの選択を制御するが、アルゴリズムは推奨事項のみを発行できる。
MDPのすべての到達可能な状態を探索するアルゴリズムを設計します。
論文 参考訳（メタデータ） (2021-02-28T00:15:53Z)
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。