論文の概要: MADD: Multi-Agent Drug Discovery Orchestra

• arxiv url: http://arxiv.org/abs/2511.08217v1
• Date: Wed, 12 Nov 2025 01:47:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.699859
• Title: MADD: Multi-Agent Drug Discovery Orchestra
• Title（参考訳）: MADD:マルチエージェントドラッグディスカバリーオーケストラ
• Authors: Gleb V. Solovev, Alina B. Zhidkovskaya, Anastasia Orlova, Nina Gubina, Anastasia Vepreva, Rodion Golovinskii, Ilya Tonkii, Ivan Dubrovsky, Ivan Gurev, Dmitry Gilemkhanov, Denis Chistiakov, Timur A. Aliev, Ivan Poddiakov, Galina Zubkova, Ekaterina V. Skorb, Vladimir Vinogradov, Alexander Boukhanovsky, Nikolay Nikitin, Andrei Dmitrenko, Anna Kalyuzhnaya, Andrey Savchenko,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 27.45459097009959
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Hit identification is a central challenge in early drug discovery, traditionally requiring substantial experimental resources. Recent advances in artificial intelligence, particularly large language models (LLMs), have enabled virtual screening methods that reduce costs and improve efficiency. However, the growing complexity of these tools has limited their accessibility to wet-lab researchers. Multi-agent systems offer a promising solution by combining the interpretability of LLMs with the precision of specialized models and tools. In this work, we present MADD, a multi-agent system that builds and executes customized hit identification pipelines from natural language queries. MADD employs four coordinated agents to handle key subtasks in de novo compound generation and screening. We evaluate MADD across seven drug discovery cases and demonstrate its superior performance compared to existing LLM-based solutions. Using MADD, we pioneer the application of AI-first drug design to five biological targets and release the identified hit molecules. Finally, we introduce a new benchmark of query-molecule pairs and docking scores for over three million compounds to contribute to the agentic future of drug design.
• Abstract（参考訳）: ヒッチ識別は初期の薬物発見において中心的な課題であり、伝統的にかなりの実験資源を必要とする。 人工知能、特に大規模言語モデル(LLM)の最近の進歩により、コスト削減と効率向上のための仮想スクリーニングが実現されている。 しかし、これらのツールの複雑さの増大は、ウェットラブ研究者へのアクセシビリティを制限している。 マルチエージェントシステムは、LLMの解釈可能性と特殊なモデルやツールの精度を組み合わせることで、有望なソリューションを提供する。 本研究では,自然言語クエリからのヒット識別パイプラインの構築と実行を行うマルチエージェントシステムMADDを提案する。 MADDは4つの調整されたエージェントを使用して、デノボ化合物の生成とスクリーニングにおいてキーサブタスクを処理する。 薬物発見症例7症例を対象にMADDを評価し,既存のLCM法と比較して優れた性能を示した。 我々は、MADDを用いて、5つの生物標的にAIファーストドラッグデザインを適用し、同定されたヒット分子を放出する。 最後に,300万以上の化合物に対するクエリー分子対とドッキングスコアの新たなベンチマークを導入し,薬物設計のエージェント的未来に寄与する。

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)
• R&D-Agent: An LLM-Agent Framework Towards Autonomous Data Science [70.1638335489284]
  高レベルの機械学習エンジニアリングタスクは、労働集約的で反復的である。 機械学習プロセスを形式化する包括的で分離されたフレームワークであるR&D-Agentを紹介します。 R&D-AgentはMLEを2つのフェーズと6つのコンポーネントに定義し、MLEのエージェント設計を原則としてテスト可能なプロセスに変える。
  論文  参考訳（メタデータ） (2025-05-20T06:07:00Z)
• 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)
• Collaborative Expert LLMs Guided Multi-Objective Molecular Optimization [51.104444856052204]
  我々は,多目的分子最適化のための協調型大規模言語モデル(LLM)システムであるMultiMolを提案する。 6つの多目的最適化タスクに対する評価において、MultiMolは既存の手法を著しく上回り、82.30%の成功率を達成した。
  論文  参考訳（メタデータ） (2025-03-05T13:47:55Z)
• 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)
• EHRAgent: Code Empowers Large Language Models for Few-shot Complex Tabular Reasoning on Electronic Health Records [47.5632532642591]
  大規模言語モデル(LLM)は、計画とツールの利用において例外的な能力を示した。 コードインタフェースを備えたLLMエージェントであるEHRAgentを提案し,マルチタブラル推論のためのコードの自動生成と実行を行う。
  論文  参考訳（メタデータ） (2024-01-13T18:09:05Z)
• 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。