論文の概要: AI Agents in Drug Discovery

• arxiv url: http://arxiv.org/abs/2510.27130v1
• Date: Fri, 31 Oct 2025 03:07:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 19:57:09.741601
• Title: AI Agents in Drug Discovery
• Title（参考訳）: 薬物発見におけるAIエージェント
• Authors: Srijit Seal, Dinh Long Huynh, Moudather Chelbi, Sara Khosravi, Ankur Kumar, Mattson Thieme, Isaac Wilks, Mark Davies, Jessica Mustali, Yannick Sun, Nick Edwards, Daniil Boiko, Andrei Tyrin, Douglas W. Selinger, Ayaan Parikh, Rahul Vijayan, Shoman Kasbekar, Dylan Reid, Andreas Bender, Ola Spjuth,
• Abstract要約: エージェントAIシステムは、多様なバイオメディカルデータを統合し、タスクを実行し、ロボットプラットフォームを介して実験を行い、クローズドループで仮説を反復的に洗練することができる。 エージェントAIアーキテクチャの概念的および技術的概要は、ReAct、Reflection、Supervisor、Swarmシステムまで様々である。 文献合成,毒性予測,自動プロトコル生成,小分子合成,薬物再資源化,エンドツーエンド意思決定など,薬物発見の重要な段階にまたがる応用について解説する。
• 参考スコア（独自算出の注目度）: 1.9777700354742123
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence (AI) agents are emerging as transformative tools in drug discovery, with the ability to autonomously reason, act, and learn through complicated research workflows. Building on large language models (LLMs) coupled with perception, computation, action, and memory tools, these agentic AI systems could integrate diverse biomedical data, execute tasks, carry out experiments via robotic platforms, and iteratively refine hypotheses in closed loops. We provide a conceptual and technical overview of agentic AI architectures, ranging from ReAct and Reflection to Supervisor and Swarm systems, and illustrate their applications across key stages of drug discovery, including literature synthesis, toxicity prediction, automated protocol generation, small-molecule synthesis, drug repurposing, and end-to-end decision-making. To our knowledge, this represents the first comprehensive work to present real-world implementations and quantifiable impacts of agentic AI systems deployed in operational drug discovery settings. Early implementations demonstrate substantial gains in speed, reproducibility, and scalability, compressing workflows that once took months into hours while maintaining scientific traceability. We discuss the current challenges related to data heterogeneity, system reliability, privacy, and benchmarking, and outline future directions towards technology in support of science and translation.
• Abstract（参考訳）: 人工知能(AI)エージェントは、薬物発見における変革的なツールとして登場しており、複雑な研究ワークフローを通じて自律的に推論、行動、学習を行うことができる。 大きな言語モデル(LLM)と知覚、計算、行動、記憶ツールを組み合わせることで、エージェントAIシステムは多様なバイオメディカルデータを統合し、タスクを実行し、ロボットプラットフォームを介して実験を行い、クローズドループで仮説を反復的に洗練することができる。 エージェントAIアーキテクチャの概念的および技術的概要は、ReAct と Reflection から Supervisor と Swarm システムまで、そしてそれらの応用を、文学合成、毒性予測、自動プロトコル生成、小分子合成、薬物再精製、エンドツーエンドの意思決定など、薬物発見の重要な段階にわたって解説する。 私たちの知る限り、これは実世界の実装と、薬物発見の運用環境にデプロイされたエージェントAIシステムの定量的影響を示すための、初めての包括的な研究である。 初期の実装では、科学的なトレーサビリティを維持しながら数ヶ月から数時間を要したワークフローを圧縮するスピード、再現性、スケーラビリティが大幅に向上した。 データの不均一性、システムの信頼性、プライバシ、ベンチマークに関する現在の課題について論じ、科学技術と翻訳を支援するための今後の方向性を概説する。

関連論文リスト

• 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)
• Can AI Agents Design and Implement Drug Discovery Pipelines? [1.5848629658789695]
  現在のAIエージェントベースのシステムは、プログラミングの課題を解決し、研究を行う能力を示している。 本稿では,AIエージェントの意思決定能力を評価するためのベンチマークであるDO Challengeを紹介する。 ベンチマークで強い性能を示したDeep Thoughtのマルチエージェントシステムについて述べる。
  論文  参考訳（メタデータ） (2025-04-28T15:41:28Z)
• Accelerating drug discovery with Artificial: a whole-lab orchestration and scheduling system for self-driving labs [0.0]
  自動運転ラボは、自動化されたAI誘導の実験を可能にすることで、薬物発見を変革している。 しかし、複雑なオーケストレーション、さまざまな楽器とAIモデルの統合、データの効率的な管理といった課題に直面している。 人工知能は、包括的なオーケストレーションとスケジューリングシステムでこれらの問題に対処する。 ラボの操作を統一し、自動化し、AIによる意思決定を統合する。
  論文  参考訳（メタデータ） (2025-04-01T17:22:50Z)
• Agentic AI for Scientific Discovery: A Survey of Progress, Challenges, and Future Directions [0.0]
  エージェントAIシステムは推論、計画、自律的な意思決定を行うことができる。 彼らは、科学者が文献のレビューを行い、仮説を作成し、実験を行い、結果を分析する方法を変えようとしている。
  論文  参考訳（メタデータ） (2025-03-12T01:00:05Z)
• Empowering Biomedical Discovery with AI Agents [15.125735219811268]
  我々は「AI科学者」を懐疑的な学習と推論が可能なシステムとして想定する。 バイオメディカルAIエージェントは、人間の創造性と専門知識と、大規模なデータセットを分析するAIの能力を組み合わせる。 AIエージェントは、仮想細胞シミュレーション、プログラム可能な表現型の制御、細胞回路の設計、新しい治療法の開発など、幅広い領域に影響を与える可能性がある。
  論文  参考訳（メタデータ） (2024-04-03T16:08:01Z)
• ChemMiner: A Large Language Model Agent System for Chemical Literature Data Mining [56.15126714863963]
  ChemMinerは、文学から化学データを抽出するエンドツーエンドのフレームワークである。 ChemMinerには、コア参照マッピングのためのテキスト分析エージェント、非テキスト情報抽出のためのマルチモーダルエージェント、データ生成のための合成分析エージェントの3つの特殊エージェントが組み込まれている。 実験の結果,ヒト化学者に匹敵する反応同定率を示すとともに,高い精度,リコール,F1スコアで処理時間を著しく短縮した。
  論文  参考訳（メタデータ） (2024-02-20T13:21:46Z)
• 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)

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。