論文の概要: DrugMCTS: a drug repurposing framework combining multi-agent, RAG and Monte Carlo Tree Search

• arxiv url: http://arxiv.org/abs/2507.07426v1
• Date: Thu, 10 Jul 2025 04:39:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.278156
• Title: DrugMCTS: a drug repurposing framework combining multi-agent, RAG and Monte Carlo Tree Search
• Title（参考訳）: DrugMCTS: マルチエージェント、RAG、モンテカルロ木探索を組み合わせた薬物再資源化フレームワーク
• Authors: Zerui Yang, Yuwei Wan, Yinqiao Li, Yudai Matsuda, Tong Xie, Linqi Song,
• Abstract要約: DrugMCTSは、RAG、マルチエージェントコラボレーション、薬物再資源のためのMonte Carlo Tree Searchを統合する新しいフレームワークである。 DrugMCTSはQwen2.5-7B-InstructでDeepseek-R1を20%以上上回る性能を発揮する。 本結果は,構造化推論,エージェントによる協調,フィードバックによる探索機構の重要性を強調した。
• 参考スコア（独自算出の注目度）: 11.63163695551736
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in large language models have demonstrated considerable potential in scientific domains such as drug discovery. However, their effectiveness remains constrained when reasoning extends beyond the knowledge acquired during pretraining. Conventional approaches, such as fine-tuning or retrieval-augmented generation, face limitations in either imposing high computational overhead or failing to fully exploit structured scientific data. To overcome these challenges, we propose DrugMCTS, a novel framework that synergistically integrates RAG, multi-agent collaboration, and Monte Carlo Tree Search for drug repurposing. The framework employs five specialized agents tasked with retrieving and analyzing molecular and protein information, thereby enabling structured and iterative reasoning. Without requiring domain-specific fine-tuning, DrugMCTS empowers Qwen2.5-7B-Instruct to outperform Deepseek-R1 by over 20\%. Extensive experiments on the DrugBank and KIBA datasets demonstrate that DrugMCTS achieves substantially higher recall and robustness compared to both general-purpose LLMs and deep learning baselines. Our results highlight the importance of structured reasoning, agent-based collaboration, and feedback-driven search mechanisms in advancing LLM applications for drug discovery.
• Abstract（参考訳）: 大規模言語モデルの最近の進歩は、薬物発見のような科学的領域において大きな可能性を証明している。 しかし、それらの効果は、事前訓練中に得られた知識を超えて推論が拡張されるときに制限される。 微調整や検索拡張生成のような従来のアプローチでは、高い計算オーバーヘッドを課すか、構造化された科学データを完全に活用できないかの制限に直面している。 これらの課題を克服するために,RAG,マルチエージェントコラボレーション,およびモンテカルロ木探索を相乗的に統合する新しいフレームワークであるD薬MCTSを提案する。 このフレームワークは、分子およびタンパク質情報を検索、解析する5つの特殊エージェントを使用し、構造的かつ反復的な推論を可能にする。 ドメイン固有の微調整を必要とせずに、MCTSはQwen2.5-7B-InstructにDeepseek-R1を20%以上上回る権限を与える。 DrugBank と KIBA データセットの大規模な実験は、一般的な LLM とディープラーニングベースラインの両方と比較して、DarmMCTS が大幅に高いリコールとロバスト性を達成していることを示している。 本研究は,LLMの薬物発見への応用における構造的推論,エージェントによる協調,フィードバック駆動探索の重要性を強調した。

関連論文リスト

• DrugPilot: LLM-based Parameterized Reasoning Agent for Drug Discovery [11.588325823566827]
  DrugPilotは、薬物発見のためのパラメータ化推論を備えた大規模言語モデルである。 薬物発見パイプラインの主要なフェーズをサポートし、研究タスクの自動計画と実行を容易にする。 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)
• RAG-Enhanced Collaborative LLM Agents for Drug Discovery [28.025359322895905]
  CLADDは、薬物発見タスクに適した、検索増強世代(RAG)内蔵のエージェントシステムである。 汎用LLMやドメイン固有のLLM、そして従来のディープラーニングのアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-22T00:12:52Z)
• DrugAgent: Automating AI-aided Drug Discovery Programming through LLM Multi-Agent Collaboration [24.65716292347949]
  DrugAgentは、薬物発見タスクのための機械学習(ML)プログラミングを自動化するマルチエージェントフレームワークである。 以上の結果から,DragonAgentは最上位のベースラインを一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-11-24T03:06:59Z)
• DrugAgent: Multi-Agent Large Language Model-Based Reasoning for Drug-Target Interaction Prediction [8.98329812378801]
  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。
  論文  参考訳（メタデータ） (2024-08-23T21:24:59Z)
• SeRTS: Self-Rewarding Tree Search for Biomedical Retrieval-Augmented Generation [50.26966969163348]
  大規模言語モデル(LLM)は,検索増強世代(RAG)の進展に伴い,生物医学領域において大きな可能性を示した。 既存の検索強化アプローチは、様々なクエリやドキュメント、特に医療知識クエリに対処する上で、課題に直面している。 モンテカルロ木探索(MCTS)と自己回帰パラダイムに基づく自己回帰木探索(SeRTS)を提案する。
  論文  参考訳（メタデータ） (2024-06-17T06:48:31Z)
• 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)
• 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)

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。