論文の概要: FROGENT: An End-to-End Full-process Drug Design Agent

• arxiv url: http://arxiv.org/abs/2508.10760v1
• Date: Thu, 14 Aug 2025 15:45:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.388865
• Title: FROGENT: An End-to-End Full-process Drug Design Agent
• Title（参考訳）: FROGENT: エンド・ツー・エンドのフルプロセスドラッグデザインエージェント
• Authors: Qihua Pan, Dong Xu, Jenna Xinyi Yao, Lijia Ma, Zexuan Zhu, Junkai Ji,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 19.025736969789566
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Powerful AI tools for drug discovery reside in isolated web apps, desktop programs, and code libraries. Such fragmentation forces scientists to manage incompatible interfaces and specialized scripts, which can be a cumbersome and repetitive process. To address this issue, a Full-pROcess druG dEsign ageNT, named FROGENT, has been proposed. Specifically, FROGENT utilizes a Large Language Model and the Model Context Protocol to integrate multiple dynamic biochemical databases, extensible tool libraries, and task-specific AI models. This agentic framework allows FROGENT to execute complicated drug discovery workflows dynamically, including component tasks such as target identification, molecule generation and retrosynthetic planning. FROGENT has been evaluated on eight benchmarks that cover various aspects of drug discovery, such as knowledge retrieval, property prediction, virtual screening, mechanistic analysis, molecular design, and synthesis. It was compared against six increasingly advanced ReAct-style agents that support code execution and literature searches. Empirical results demonstrated that FROGENT triples the best baseline performance in hit-finding and doubles it in interaction profiling, significantly outperforming both the open-source model Qwen3-32B and the commercial model GPT-4o. In addition, real-world cases have been utilized to validate the practicability and generalization of FROGENT. This development suggests that streamlining the agentic drug discovery pipeline can significantly enhance researcher productivity.
• Abstract（参考訳）: 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。 このような断片化によって、科学者は互換性のないインターフェースや特殊なスクリプトを管理することを余儀なくされる。 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。 具体的には、大規模言語モデルとモデルコンテキストプロトコルを使用して、複数の動的生化学データベース、拡張可能なツールライブラリ、タスク固有のAIモデルを統合する。 このエージェントフレームワークにより、FROGENTはターゲット同定、分子生成、再合成計画などのコンポーネントタスクを含む複雑な薬物発見ワークフローを動的に実行することができる。 FROGENTは、知識検索、プロパティ予測、仮想スクリーニング、力学解析、分子設計、合成など、薬物発見の様々な側面をカバーする8つのベンチマークで評価されている。 コード実行と文学検索をサポートする6つの高度なReActスタイルのエージェントと比較された。 実験の結果,FROGENTはヒットフィンディングにおけるベースライン性能を3倍に向上し,インタラクションプロファイリングにおいて2倍に向上し,オープンソースモデルQwen3-32Bと商用モデルGPT-4oの両モデルにおいて有意に優れていた。 さらに,実世界の事例を用いて,FROGENTの実践性と一般化の検証を行っている。 この開発は、薬品発見パイプラインの合理化が研究者の生産性を大幅に向上させることを示唆している。

関連論文リスト

• DrugMCTS: a drug repurposing framework combining multi-agent, RAG and Monte Carlo Tree Search [10.123162419093973]
  DrugMCTSは、RAG、マルチエージェントコラボレーション、薬物再配置のためのMonte Carlo Tree Searchを統合する新しいフレームワークである。 分子情報やタンパク質情報を検索・解析する5つの専門的なエージェントを駆使し、構造的かつ反復的な推論を可能にする。 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。
  論文  参考訳（メタデータ） (2025-07-10T04:39:55Z)
• ChemActor: Enhancing Automated Extraction of Chemical Synthesis Actions with LLM-Generated Data [53.78763789036172]
  ケミカルエグゼキュータとして完全微調整された大規模言語モデル(LLM)であるChemActorを紹介し,非構造化実験手順と構造化動作シーケンスを変換する。 このフレームワークは、分散分散に基づくデータ選択モジュールと汎用LLMを統合し、単一の分子入力からマシン実行可能なアクションを生成する。 反応記述(R2D)と記述記述処理(D2A)のタスクの実験により、ChemActorは最先端のパフォーマンスを達成し、ベースラインモデルよりも10%高い性能を示した。
  論文  参考訳（メタデータ） (2025-06-30T05:11:19Z)
• 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)
• ChemAgent: Self-updating Library in Large Language Models Improves Chemical Reasoning [64.2106664137118]
  ChemAgentは,大規模言語モデル(LLM)の性能向上を目的とした,新しいフレームワークである。 化学タスクをサブタスクに分解し、これらのサブタスクを将来のクエリに参照可能な構造化されたコレクションにコンパイルすることで開発される。 新しい問題を提示すると、ChemAgentは、私たちがメモリと呼ぶライブラリから関連する情報を検索し、精査する。
  論文  参考訳（メタデータ） (2025-01-11T17:10:30Z)
• ACEGEN: Reinforcement learning of generative chemical agents for drug discovery [4.966722586536789]
  ACEGENは、創薬設計のための包括的で合理化されたツールキットである。 TorchRLは、完全にテストされた再利用可能なコンポーネントを提供する、現代的なRLライブラリである。 複数の薬物発見症例に応用されたACEGENの例を示す。
  論文  参考訳（メタデータ） (2024-05-07T20:30:14Z)
• 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)
• CorpusBrain: Pre-train a Generative Retrieval Model for Knowledge-Intensive Language Tasks [62.22920673080208]
  単一ステップ生成モデルは、検索プロセスを劇的に単純化し、エンドツーエンドで最適化することができる。 我々は、事前学習された生成検索モデルをCorpsBrainと名付け、コーパスに関する全ての情報が、追加のインデックスを構築することなく、そのパラメータにエンコードされる。
  論文  参考訳（メタデータ） (2022-08-16T10:22:49Z)

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。