論文の概要: DynaMate: An Autonomous Agent for Protein-Ligand Molecular Dynamics Simulations

• arxiv url: http://arxiv.org/abs/2512.10034v1
• Date: Wed, 10 Dec 2025 19:40:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.030595
• Title: DynaMate: An Autonomous Agent for Protein-Ligand Molecular Dynamics Simulations
• Title（参考訳）: DynaMate:タンパク質-リガンド分子動力学シミュレーションのための自律エージェント
• Authors: Salomé Guilbert, Cassandra Masschelein, Jeremy Goumaz, Bohdan Naida, Philippe Schwaller,
• Abstract要約: 力場に基づく分子動力学(MD)シミュレーションは、生体分子系の構造、力学、機能を知るのに不可欠である。 MDセットアップの技術的な複雑さは、パラメータ化、入力準備、ソフトウェア構成を含んでおり、広く効率的な使用の障壁となっている。 本稿では,タンパク質リガンドシステムとタンパク質リガンドシステムの両方の完全なMDを自律的に設計し,実行するモジュール型マルチエージェントフレームワークであるDynaMateを紹介する。
• 参考スコア（独自算出の注目度）: 13.253932177045842
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Force field-based molecular dynamics (MD) simulations are indispensable for probing the structure, dynamics, and functions of biomolecular systems, including proteins and protein-ligand complexes. Despite their broad utility in drug discovery and protein engineering, the technical complexity of MD setup, encompassing parameterization, input preparation, and software configuration, remains a major barrier for widespread and efficient usage. Agentic LLMs have demonstrated their capacity to autonomously execute multi-step scientific processes, and to date, they have not successfully been used to automate protein-ligand MD workflows. Here, we present DynaMate, a modular multi-agent framework that autonomously designs and executes complete MD workflows for both protein and protein-ligand systems, and offers free energy binding affinity calculations with the MM/PB(GB)SA method. The framework integrates dynamic tool use, web search, PaperQA, and a self-correcting behavior. DynaMate comprises three specialized modules, interacting to plan the experiment, perform the simulation, and analyze the results. We evaluated its performance across twelve benchmark systems of varying complexity, assessing success rate, efficiency, and adaptability. DynaMate reliably performed full MD simulations, corrected runtime errors through iterative reasoning, and produced meaningful analyses of protein-ligand interactions. This automated framework paves the way toward standardized, scalable, and time-efficient molecular modeling pipelines for future biomolecular and drug design applications.
• Abstract（参考訳）: 力場に基づく分子動力学(MD)シミュレーションは、タンパク質やタンパク質-リガンド複合体を含む生体分子系の構造、動力学、機能を知るのに不可欠である。 薬物発見とタンパク質工学における幅広い用途にもかかわらず、MDセットアップの技術的な複雑さは、パラメータ化、入力準備、ソフトウェア構成を含んでおり、広く効率的な使用の障壁となっている。 エージェントLSMは、多段階の科学プロセスを自律的に実行する能力を示しており、これまで、タンパク質リガンドMDワークフローの自動化には成功していない。 本稿では,タンパク質およびタンパク質リガンド系の完全なMDワークフローを自律的に設計,実行し,MM/PB(GB)SA法による自由エネルギー結合親和性計算を行うモジュール型マルチエージェントフレームワークDynaMateを提案する。 このフレームワークは動的ツールの使用、Web検索、PaperQA、そして自己修正動作を統合している。 DynaMateは3つの特殊なモジュールから構成され、実験を計画し、シミュレーションを実行し、結果を解析する。 評価は,複雑性の異なる12のベンチマークシステムで行い,成功率,効率,適応性を評価した。 DynaMateは完全なMDシミュレーションを確実に実行し、反復的推論によって実行時のエラーを修正し、タンパク質-リガンド相互作用の有意義な解析を行った。 この自動化されたフレームワークは、将来の生体分子および薬物設計アプリケーションのための標準化、拡張性、時間効率の分子モデリングパイプラインへの道を開く。

関連論文リスト

• 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)
• AutoChemSchematic AI: Agentic Physics-Aware Automation for Chemical Manufacturing Scale-Up [2.5875933818780363]
  現在のAIシステムは、重要なエンジニアリングスキーマを確実に生成することはできない。 産業用PFDとPIDの自動生成のためのクローズドループ物理対応フレームワークを提案する。 本研究では,本フレームワークが高忠実度でシミュレータ検証されたプロセス記述を生成することを示す。
  論文  参考訳（メタデータ） (2025-05-30T13:32:00Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)

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。