Fugu-MT 論文翻訳(概要): RareAgent: Self-Evolving Reasoning for Drug Repurposing in Rare Diseases

論文の概要: RareAgent: Self-Evolving Reasoning for Drug Repurposing in Rare Diseases

arxiv url: http://arxiv.org/abs/2510.05764v1
Date: Tue, 07 Oct 2025 10:35:18 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-08 17:57:08.204116
Title: RareAgent: Self-Evolving Reasoning for Drug Repurposing in Rare Diseases
Title（参考訳）: RareAgent: 希少疾患における薬物再資源化のための自己進化型推論
Authors: Lang Qin, Zijian Gan, Xu Cao, Pengcheng Jiang, Yankai Jiang, Jiawei Han, Kaishun Wu, Jintai Chen,
Abstract要約: RareAgentは、このタスクをパッシブパターン認識からアクティブエビデンス検索推論に再構成する、自己進化型マルチエージェントシステムである。総合的な評価によると、RareAgentは推論基準よりもAUPRCの表示を18.1%改善している。
参考スコア（独自算出の注目度）: 40.52507491248964
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Computational drug repurposing for rare diseases is especially challenging when no prior associations exist between drugs and target diseases. Therefore, knowledge graph completion and message-passing GNNs have little reliable signal to learn and propagate, resulting in poor performance. We present RareAgent, a self-evolving multi-agent system that reframes this task from passive pattern recognition to active evidence-seeking reasoning. RareAgent organizes task-specific adversarial debates in which agents dynamically construct evidence graphs from diverse perspectives to support, refute, or entail hypotheses. The reasoning strategies are analyzed post hoc in a self-evolutionary loop, producing textual feedback that refines agent policies, while successful reasoning paths are distilled into transferable heuristics to accelerate future investigations. Comprehensive evaluations reveal that RareAgent improves the indication AUPRC by 18.1% over reasoning baselines and provides a transparent reasoning chain consistent with clinical evidence.
Abstract（参考訳）: 希少疾患に対する計算薬の再利用は、薬物と標的疾患の間に先行する関連が存在しない場合、特に困難である。したがって、知識グラフの補完とメッセージパスGNNは、学習と伝播の信頼性が低いため、性能は低下する。本稿では、このタスクを受動的パターン認識からアクティブエビデンス探索推論へと再構成する、自己進化型マルチエージェントシステムであるRareAgentを紹介する。 RareAgentは、エージェントが様々な視点からエビデンスグラフを動的に構築し、仮説を支持し、反証し、あるいは包含するタスク固有の敵対的討論を組織している。推論戦略は自己進化のループで分析され、エージェントポリシーを洗練するためのテキストフィードバックが生成され、成功した推論経路は、将来の調査を加速するために転送可能なヒューリスティックに蒸留される。総合的な評価によると、RareAgentは根拠線を推論するよりもAUPRCの表示を18.1%改善し、臨床証拠と整合した透明な推論連鎖を提供する。

関連論文リスト

Demystifying deep search: a holistic evaluation with hint-free multi-hop questions and factorised metrics [89.1999907891494]
We present WebDetective, a benchmark of hint-free multi-hop questions with a control Wikipedia sandbox。 25の最先端モデルに対する我々の評価は、すべてのアーキテクチャにまたがる体系的な弱点を明らかにしている。私たちはエージェントワークフローであるEvidenceLoopを開発し、ベンチマークが特定する課題を明示的にターゲットしています。
論文参考訳（メタデータ） (2025-10-01T07:59:03Z)
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)
Enhancing Retrieval Augmentation via Adversarial Collaboration [50.117273835877334]
我々は「検索幻覚」に対処するため、Adrial Collaboration RAG(AC-RAG)フレームワークを提案する。 AC-RAGは、知識ギャップを識別するジェネリスト検出器と、正確な解決策を提供するドメイン特化リゾルバという2つの異種エージェントを使用している。実験により、AC-RAGは検索精度を大幅に向上し、様々な垂直領域における最先端RAG法より優れていることが示された。
論文参考訳（メタデータ） (2025-09-18T08:54:20Z)
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)
Assessing the Potential of Generative Agents in Crowdsourced Fact-Checking [7.946359845249688]
大規模言語モデル(LLM)は、ファクトチェックタスク全体で強いパフォーマンスを示している。本稿では,伝統的にヒトの群集に予約されていた事実確認作業に,生成エージェントが有意義に寄与するかどうかを考察する。エージェント・群衆は、誠実さの分類において人間の群衆より優れ、内部の一貫性が高く、社会的および認知的バイアスに対する感受性が低下している。
論文参考訳（メタデータ） (2025-04-24T18:49:55Z)
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)
AgentPoison: Red-teaming LLM Agents via Poisoning Memory or Knowledge Bases [73.04652687616286]
本稿では,RAG とRAG をベースとした LLM エージェントを標的とした最初のバックドア攻撃である AgentPoison を提案する。従来のバックドア攻撃とは異なり、AgentPoisonは追加のモデルトレーニングや微調整を必要としない。エージェントごとに、AgentPoisonは平均攻撃成功率を80%以上達成し、良質なパフォーマンスに最小限の影響を与える。
論文参考訳（メタデータ） (2024-07-17T17:59:47Z)
Sim-to-Real Causal Transfer: A Metric Learning Approach to Causally-Aware Interaction Representations [58.96953392466609]
エージェント相互作用の現代的表現の因果認識を詳細に検討する。近年の表現は、非因果剤の摂動に対して部分的に耐性があることが示されている。本稿では,因果アノテーションを用いて潜在表現を規則化するメトリクス学習手法を提案する。
論文参考訳（メタデータ） (2023-12-07T18:57:03Z)
AI-based Approach for Safety Signals Detection from Social Networks: Application to the Levothyrox Scandal in 2017 on Doctissimo Forum [1.4502611532302039]
本稿では,患者のレビューから医薬安全信号を検出するためのAIベースのアプローチを提案する。フランスにおけるLevothyroxの症例に着目し,薬式変更後にメディアから大きな注目を集めた。本研究は, 言葉とn-grams頻度, 意味的類似性, 副薬物反応の言及, 感情分析など, 患者のレビューから抽出したNLPに基づく指標について検討した。
論文参考訳（メタデータ） (2022-02-01T10:17:32Z)
Retrofitting Vector Representations of Adverse Event Reporting Data to Structured Knowledge to Improve Pharmacovigilance Signal Detection [6.644784804652259]
副作用の薬物イベント(ADE)は一般的で費用がかかる。臨床試験は潜在的なADEを識別する能力に制約がある。統計学的手法は、これらの報告から信号を検出するのに便利な方法であるが、薬物とADEの関係を利用するには限界がある。 Aer2vecは、類似性のパターンをキャプチャするADEレポートエンティティの分散ベクトル表現を生成するが、語彙知識は利用できない。本稿では,Aer2vec 薬物の組み込みを RxNorm の知識に適合させ,ベクトル再スケーリングを応用した新たな再適合変種を開発することにより,その限界に対処する。
論文参考訳（メタデータ） (2020-08-07T19:11:51Z)

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。