論文の概要: PharmAgents: Building a Virtual Pharma with Large Language Model Agents

• arxiv url: http://arxiv.org/abs/2503.22164v2
• Date: Mon, 31 Mar 2025 16:26:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 13:14:21.81443
• Title: PharmAgents: Building a Virtual Pharma with Large Language Model Agents
• Title（参考訳）: PharmAgents: 大規模言語モデルエージェントによる仮想薬局の構築
• Authors: Bowen Gao, Yanwen Huang, Yiqiao Liu, Wenxuan Xie, Wei-Ying Ma, Ya-Qin Zhang, Yanyan Lan,
• Abstract要約: マルチエージェントコラボレーションによる仮想医薬エコシステムであるPharmAgentsを紹介する。 このシステムは、特殊な機械学習モデルと計算ツールを備えた、説明可能なLCM駆動エージェントを統合している。 潜在的な治療標的を特定し、有望な鉛化合物を発見し、結合親和性と重要な分子特性を高め、毒性と合成可能性のシリコ分析を行う。
• 参考スコア（独自算出の注目度）: 19.589707628042422
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The discovery of novel small molecule drugs remains a critical scientific challenge with far-reaching implications for treating diseases and advancing human health. Traditional drug development--especially for small molecule therapeutics--is a highly complex, resource-intensive, and time-consuming process that requires multidisciplinary collaboration. Recent breakthroughs in artificial intelligence (AI), particularly the rise of large language models (LLMs), present a transformative opportunity to streamline and accelerate this process. In this paper, we introduce PharmAgents, a virtual pharmaceutical ecosystem driven by LLM-based multi-agent collaboration. PharmAgents simulates the full drug discovery workflow--from target discovery to preclinical evaluation--by integrating explainable, LLM-driven agents equipped with specialized machine learning models and computational tools. Through structured knowledge exchange and automated optimization, PharmAgents identifies potential therapeutic targets, discovers promising lead compounds, enhances binding affinity and key molecular properties, and performs in silico analyses of toxicity and synthetic feasibility. Additionally, the system supports interpretability, agent interaction, and self-evolvement, enabling it to refine future drug designs based on prior experience. By showcasing the potential of LLM-powered multi-agent systems in drug discovery, this work establishes a new paradigm for autonomous, explainable, and scalable pharmaceutical research, with future extensions toward comprehensive drug lifecycle management.
• Abstract（参考訳）: 新規の小さな分子薬の発見は、病気の治療やヒトの健康向上に大きく影響する重要な科学的課題である。 伝統的な薬物開発、特に小さな分子治療は、非常に複雑で資源集約的で時間を要するプロセスであり、多分野の協力を必要とする。 人工知能(AI)の最近の進歩、特に大規模言語モデル(LLM)の台頭は、このプロセスを合理化し加速する変革的な機会を提供する。 本稿では,LLMベースのマルチエージェントコラボレーションによる仮想医薬品エコシステムであるPharmAgentsを紹介する。 PharmAgentsは、ターゲット発見から事前評価まで、特定の機械学習モデルと計算ツールを備えたLCM駆動エージェントを統合することで、完全な薬物発見ワークフローをシミュレートする。 構造化知識交換と自動最適化を通じて、ファームアジェンツは潜在的な治療標的を特定し、有望な鉛化合物を発見し、結合親和性と重要な分子特性を高め、毒性と合成可能性のシリコ分析を行う。 さらに、システムは、解釈可能性、エージェントの相互作用、自己進化をサポートし、以前の経験に基づいて将来の薬物デザインを洗練できる。 薬物発見におけるLDMを利用したマルチエージェントシステムの可能性を示すことにより、自律的で説明可能な、スケーラブルな医薬品研究のための新しいパラダイムを確立し、将来は包括的薬物ライフサイクル管理へと拡張していく。

関連論文リスト

• LLM Agent Swarm for Hypothesis-Driven Drug Discovery [2.7036595757881323]
  ファーマシュワーム(PharmaSwarm)は、新規な薬物標的および鉛化合物の仮説を提唱し、検証し、洗練するために、特殊な「エージェント」を編成する統合マルチエージェントフレームワークである。 PharmaSwarmはAIの副操縦士として機能することで、翻訳研究を加速し、従来のパイプラインよりも効率的に高信頼の仮説を提供することができる。
  論文  参考訳（メタデータ） (2025-04-24T22:27:50Z)
• Collaborative Expert LLMs Guided Multi-Objective Molecular Optimization [51.104444856052204]
  我々は,多目的分子最適化のための協調型大規模言語モデル(LLM)システムであるMultiMolを提案する。 6つの多目的最適化タスクに対する評価において、MultiMolは既存の手法を著しく上回り、82.30%の成功率を達成した。
  論文  参考訳（メタデータ） (2025-03-05T13:47:55Z)
• Small Molecule Drug Discovery Through Deep Learning:Progress, Challenges, and Opportunities [34.72068278499029]
  深層学習(DL)技術の急速な発展により,DLを基盤とした小型分子ドラッグ発見法は優れた性能を発揮した。 本稿では, DLをベースとした小分子創薬における最近の重要な課題と代表的手法を体系的に要約し, 一般化する。
  論文  参考訳（メタデータ） (2025-02-13T05:24:52Z)
• Y-Mol: A Multiscale Biomedical Knowledge-Guided Large Language Model for Drug Development [24.5979645373074]
  Y-Mol は知識誘導型 LLM であり、鉛化合物発見、プリクリニック、クリニック予測といったタスクをこなすように設計されている。 出版物、知識グラフ、専門家が設計した合成データから学習する。 Y-Molは、鉛化合物の発見、分子特性の予測、薬物相互作用のイベントの同定において、汎用LLMよりも著しく優れている。
  論文  参考訳（メタデータ） (2024-10-15T12:39:20Z)
• 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)
• DrugAgent: Explainable Drug Repurposing Agent with Large Language Model-based Reasoning [10.528489471229946]
  本稿では,最先端の機械学習技術と知識統合を用いた医薬品再調達プロセスを強化するためのマルチエージェントフレームワークを提案する。 AIエージェントは、DTIモデルを訓練し、知識グラフエージェントはDGIdbを使用してDTIを系統的に抽出する。 これらのエージェントからの出力を統合することで、外部データベースを含む多様なデータソースを効果的に活用し、実行可能な再資源化候補を提案する。
  論文  参考訳（メタデータ） (2024-08-23T21:24:59Z)
• Explainable Biomedical Hypothesis Generation via Retrieval Augmented Generation enabled Large Language Models [46.05020842978823]
  大規模言語モデル(LLM)はこの複雑なデータランドスケープをナビゲートする強力なツールとして登場した。 RAGGEDは、知識統合と仮説生成を伴う研究者を支援するために設計された包括的なワークフローである。
  論文  参考訳（メタデータ） (2024-07-17T07:44:18Z)
• Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
  AIによる薬物発見の大きな課題は、高品質なデータの不足である。 薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。 実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2024-04-16T07:42:55Z)
• InstructMol: Multi-Modal Integration for Building a Versatile and Reliable Molecular Assistant in Drug Discovery [18.521011630419622]
  LLM(Large Language Models)は、複雑な分子データとの相互作用の再構築を約束する。 我々の新しい貢献であるInstructMolは、インストラクションチューニングアプローチを通じて、分子構造と自然言語を効果的に整合させる。 InstructMolは、薬物発見関連分子タスクの大幅なパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2023-11-27T16:47:51Z)
• Chemist-X: Large Language Model-empowered Agent for Reaction Condition Recommendation in Chemical Synthesis [55.30328162764292]
  Chemist-Xは、化学合成における反応条件最適化(RCO)タスクを自動化する包括的なAIエージェントである。 このエージェントは、検索強化世代(RAG)技術とAI制御のウェットラブ実験を実行する。 我々の自動ウェットラブ実験の結果は、LLMが制御するエンドツーエンドの操作を、ロボットに人間がいない状態で行うことで達成され、Chemist-Xの自動運転実験における能力が証明された。
  論文  参考訳（メタデータ） (2023-11-16T01:21:33Z)
• SynerGPT: In-Context Learning for Personalized Drug Synergy Prediction and Drug Design [64.69434941796904]
  本稿では,テキスト内薬物相乗学習のための新しい設定とモデルを提案する。 特定のがん細胞標的の文脈における10～20の薬物相乗関係の「個人化データセット」を作成した。 私たちの目標は、その文脈で追加の薬物シナジー関係を予測することです。
  論文  参考訳（メタデータ） (2023-06-19T17:03:46Z)

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。