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

• MADD: Multi-Agent Drug Discovery Orchestra [27.45459097009959]
  我々は、自然言語クエリからカスタマイズされたヒット識別パイプラインを構築し、実行するマルチエージェントシステムMADDを提案する。 我々は、AIファーストの薬物設計を5つの生物標的に適用し、同定されたヒット分子を放出するパイオニアである。
  論文  参考訳（メタデータ） (2025-11-11T13:20:35Z)
• LLM-based Agents Suffer from Hallucinations: A Survey of Taxonomy, Methods, and Directions [80.12078194093013]
  LLMをベースとした幻覚の包括的調査を行った。 そこで本研究では,異なる段階において発生するさまざまな種類の幻覚を識別する新しい分類法を提案する。 エージェント幻覚の出現の根底にある18の要因について詳細な検討を行った。
  論文  参考訳（メタデータ） (2025-09-23T13:24:48Z)
• FROGENT: An End-to-End Full-process Drug Design Agent [19.025736969789566]
  薬物発見のための強力なAIツールは、孤立したWebアプリ、デスクトッププログラム、コードライブラリに存在する。 この問題に対処するため、FROGENTという名前のフルプロセスduG dEsign ageNTが提案されている。 FROGENTはLarge Language ModelとModel Context Protocolを使用して、複数の動的生化学データベース、ツールライブラリ、タスク固有のAIモデルを統合する。
  論文  参考訳（メタデータ） (2025-08-14T15:45:53Z)
• MCP-Orchestrated Multi-Agent System for Automated Disinformation Detection [84.75972919995398]
  本稿では,関係抽出を用いてニュース記事の偽情報を検出するマルチエージェントシステムを提案する。 提案したエージェントAIシステムは、(i)機械学習エージェント(ロジスティック回帰)、(ii)Wikipedia知識チェックエージェント、(iv)Webスクラッドデータアナライザの4つのエージェントを組み合わせる。 その結果、マルチエージェントアンサンブルはF1スコア0.964で95.3%の精度を達成し、個々のエージェントや従来のアプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-08-13T19:14:48Z)
• Chain-of-Agents: End-to-End Agent Foundation Models via Multi-Agent Distillation and Agentic RL [41.847359443133776]
  CoA(Chain-of-Agents)は、大規模言語モデル(LLM)推論の新しいパラダイムであり、ネイティブなエンドツーエンドの複雑な問題解決を可能にする。 我々は, エージェント制御微調整のための多エージェント蒸留フレームワークを導入し, 最先端のマルチエージェントシステムをチェーン・オブ・エージェント・トラジェクトリに蒸留する。 次に、検証可能なエージェントタスクに対するエージェント強化学習を用いて、チェーン・オブ・エージェントの問題解決におけるモデルの能力をさらに向上する。
  論文  参考訳（メタデータ） (2025-08-06T17:01:02Z)
• 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)
• DrugPilot: LLM-based Parameterized Reasoning Agent for Drug Discovery [54.79763887844838]
  大規模言語モデル(LLM)と自律エージェントの統合は、自動推論とタスク実行を通じて科学的発見を促進する大きな可能性を秘めている。 本稿では,薬物発見におけるエンドツーエンド科学のために設計されたパラメータ化推論アーキテクチャを備えたLSMベースのエージェントシステムであるDrarmPilotを紹介する。 DrugPilot は ReAct や LoT のような最先端のエージェントよりも優れており、タスク完了率は98.0%、93.5%、64.0%である。
  論文  参考訳（メタデータ） (2025-05-20T05:18:15Z)
• 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)
• Lifelong Learning of Large Language Model based Agents: A Roadmap [39.01532420650279]
  連続的・漸進的な学習として知られる生涯学習は、人工知能(AGI)を前進させる重要な要素である この調査は、生涯学習を大規模言語モデル(LLM)に組み込むための潜在的テクニックを体系的にまとめる最初のものである。 これらの柱が集合的に連続的な適応を可能にし、破滅的な忘れを軽減し、長期的なパフォーマンスを向上させる方法について強調する。
  論文  参考訳（メタデータ） (2025-01-13T12:42:04Z)
• 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)
• Small Agent Can Also Rock! Empowering Small Language Models as Hallucination Detector [114.88975874411142]
  幻覚検出は大規模言語モデル(LLM)にとって難しい課題である 本稿では,HluAgentと呼ばれる自律型LLMエージェントフレームワークを提案する。 HaluAgentでは、LLM、多機能ツールボックスを統合し、きめ細かい3段階検出フレームワークを設計する。
  論文  参考訳（メタデータ） (2024-06-17T07:30:05Z)
• 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)
• Agent-FLAN: Designing Data and Methods of Effective Agent Tuning for Large Language Models [56.00992369295851]
  オープンソースのLarge Language Models(LLM)は、さまざまなNLPタスクで大きな成功を収めていますが、エージェントとして振る舞う場合、それでもAPIベースのモデルよりもはるかに劣っています。 本稿では,(1) エージェント学習コーパスを,(1) エージェント学習データの分布から大きくシフトするエージェント推論と,(2) エージェントタスクが必要とする能力に異なる学習速度を示すエージェント学習コーパスと,(3) 幻覚を導入することでエージェント能力を改善する際の副作用について述べる。 本稿では,エージェントのためのFLANモデルを効果的に構築するためのエージェントFLANを提案する。
  論文  参考訳（メタデータ） (2024-03-19T16:26:10Z)
• 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。