論文の概要: Exploring Modularity of Agentic Systems for Drug Discovery

• arxiv url: http://arxiv.org/abs/2506.22189v1
• Date: Fri, 27 Jun 2025 12:57:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.204988
• Title: Exploring Modularity of Agentic Systems for Drug Discovery
• Title（参考訳）: 薬物発見のためのエージェントシステムのモジュール性を探る
• Authors: Laura van Weesep, Samuel Genheden, Ola Engkvist, Jens Sjölund,
• Abstract要約: 大規模言語モデル(LLM)とエージェントシステムは、創薬と設計を加速するエキサイティングな機会を提供する。 本稿では,多言語モデル(LLM)の性能とツールコールエージェントの有効性を比較した。 本研究は,現実問題に対する安定かつスケーラブルなソリューションの開発を可能にするために,エージェントシステムのモジュール性に関するさらなる研究の必要性を強調した。
• 参考スコア（独自算出の注目度）: 1.1233814047122899
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-language models (LLMs) and agentic systems present exciting opportunities to accelerate drug discovery and design. In this study, we critically examine the modularity of LLM-based agentic systems for drug discovery, i.e., whether parts of the agentic system such as the LLM are interchangeable, a topic that has received limited attention in drug discovery applications. We compare the performance of different large language models (LLMs) and the effectiveness of tool-calling agents versus code-generating agents in this domain. Our case study, comparing performance in orchestrating tools for chemistry and drug discovery using an LLM-as-a-judge score, shows that Claude-3.5-Sonnet, Claude-3.7-Sonnet and GPT-4o outperform alternative language models such as Llama-3.1-8B, Llama-3.1-70B, GPT-3.5-Turbo, and Nova-Micro. Although we confirm that code-generating agents outperform the tool-calling ones on average, we show that this is highly question and model dependent. Furthermore, the impact of replacing system prompts is dependent on the specific question asked and the model used, underscoring that -- even in this particular domain -- one cannot just replace language models without considering prompt re-engineering. Our study highlights the necessity of further research into the modularity of agentic systems to enable the development of stable and scalable solutions for real-world problems.
• Abstract（参考訳）: 大規模言語モデル(LLM)とエージェントシステムは、創薬と設計を加速するエキサイティングな機会を提供する。 本研究では,薬物発見のためのLSMベースのエージェントシステムのモジュラリティ,すなわちLSMのようなエージェントシステムの一部が交換可能であるかどうかを批判的に検討する。 本稿では,様々な大規模言語モデル(LLM)の性能と,ツールコールエージェントとコード生成エージェントの有効性を比較した。 LLM-as-a-judgeスコアを用いた化学・薬物発見のためのオーケストレーションツールの性能を比較すると、Claude-3.5-Sonnet, Claude-3.7-Sonnet, GPT-4oはLlama-3.1-8B, Llama-3.1-70B, GPT-3.5-Turbo, Nova-Microなどの代替言語モデルよりも優れていた。 我々は,コード生成エージェントがツール呼び出しエージェントよりも平均的に優れていることを確認したが,これは非常に疑問であり,モデルに依存していることを示す。 さらに、システムプロンプトの置き換えが与える影響は、要求された特定の質問と使用されるモデルに依存する。 本研究は,現実問題に対する安定かつスケーラブルなソリューションの開発を可能にするために,エージェントシステムのモジュール性に関するさらなる研究の必要性を強調した。

関連論文リスト

• AGENTIF: Benchmarking Instruction Following of Large Language Models in Agentic Scenarios [51.46347732659174]
  LLM(Large Language Models)は、現実世界のエージェントアプリケーションにおいて高度な機能を示す。 AgentIFは、エージェントシナリオでLLM命令に従う能力を体系的に評価する最初のベンチマークである。
  論文  参考訳（メタデータ） (2025-05-22T17:31:10Z)
• Large Language Model Agent: A Survey on Methodology, Applications and Challenges [88.3032929492409]
  大きな言語モデル(LLM)エージェントは、目標駆動の振る舞いと動的適応能力を持ち、人工知能への重要な経路を示す可能性がある。 本調査は, LLMエージェントシステムを方法論中心の分類法により体系的に分解する。 私たちの作業は、エージェントの構築方法、コラボレーション方法、時間の経過とともにどのように進化するか、という、統一されたアーキテクチャの視点を提供します。
  論文  参考訳（メタデータ） (2025-03-27T12:50:17Z)
• Agent-Enhanced Large Language Models for Researching Political Institutions [0.0]
  本稿では,タスクを合理化できる動的エージェントとして,Large Language Models (LLM) がどのように機能するかを示す。 エージェント検索増強世代(Agentic RAG)が中心である。 このアプローチの可能性を実証するために、米国議会の研究者を支援するために設計されたLLMエージェントであるコングレスラを紹介する。
  論文  参考訳（メタデータ） (2025-03-14T22:04:40Z)
• How Well Can Modern LLMs Act as Agent Cores in Radiology Environments? [54.36730060680139]
  RadA-BenchPlatは、放射線学環境での大規模言語モデル(LLM)のパフォーマンスをベンチマークする評価プラットフォームである。 また、エージェント駆動型タスク解決ツールの10のカテゴリを定義し、7つの主要なLCMを評価している。
  論文  参考訳（メタデータ） (2024-12-12T18:20:16Z)
• A Survey on the Memory Mechanism of Large Language Model based Agents [66.4963345269611]
  大規模言語モデル(LLM)に基づくエージェントは、最近、研究や産業コミュニティから多くの注目を集めている。 LLMベースのエージェントは、現実の問題を解決する基礎となる自己進化能力に特徴付けられる。 エージェント-環境相互作用をサポートする重要なコンポーネントは、エージェントのメモリである。
  論文  参考訳（メタデータ） (2024-04-21T01:49:46Z)
• Large Language Model Distilling Medication Recommendation Model [58.94186280631342]
  大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。 本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。 これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
  論文  参考訳（メタデータ） (2024-02-05T08:25:22Z)
• KwaiAgents: Generalized Information-seeking Agent System with Large Language Models [33.59597020276034]
  人間は批判的思考、計画、リフレクション、世界と対話し解釈するための利用可能なツールの活用に優れています。 大規模言語モデル(LLM)の最近の進歩は、マシンが前述の人間のような能力を持っていることも示唆している。 LLMに基づく汎用情報検索システムであるKwaiAgentsを紹介する。
  論文  参考訳（メタデータ） (2023-12-08T08:11:11Z)

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。