論文の概要: Democratizing Drug Discovery with an Orchestrated, Knowledge-Driven Multi-Agent Team for User-Guided Therapeutic Design

• arxiv url: http://arxiv.org/abs/2512.21623v1
• Date: Thu, 25 Dec 2025 11:03:04 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-29 12:05:02.421217
• Title: Democratizing Drug Discovery with an Orchestrated, Knowledge-Driven Multi-Agent Team for User-Guided Therapeutic Design
• Title（参考訳）: ユーザガイド型治療設計のための組織的知識駆動型多エージェントチームによる薬物発見の民主化
• Authors: Takahide Suzuki, Kazuki Nakanishi, Takashi Fujiwara, Hideyuki Shimizu,
• Abstract要約: OrchestRAは、生物学、化学、薬理学を統一するマルチエージェントプラットフォームである。 静的コードジェネレータとは異なり、エージェントは積極的にシミュレーションを実行し、結果を反復的に最適化する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Therapeutic discovery remains a formidable challenge, impeded by the fragmentation of specialized domains and the execution gap between computational design and physiological validation. Although generative AI offers promise, current models often function as passive assistants rather than as autonomous executors. Here, we introduce OrchestRA, a human-in-the-loop multi-agent platform that unifies biology, chemistry, and pharmacology into an autonomous discovery engine. Unlike static code generators, our agents actively execute simulations and reason the results to drive iterative optimization. Governed by an Orchestrator, a Biologist Agent leverages deep reasoning over a massive knowledge graph (>10 million associations) to pinpoint high-confidence targets; a Chemist Agent autonomously detects structural pockets for de novo design or drug repositioning; and a Pharmacologist Agent evaluates candidates via rigorous physiologically based pharmacokinetic (PBPK) simulations. This architecture establishes a dynamic feedback loop where pharmacokinetic and toxicity profiles directly trigger structural reoptimization. By seamlessly integrating autonomous execution with human guidance, OrchestRA democratizes therapeutic design, transforming drug discovery from a stochastic search to a programmable evidence-based engineering discipline.
• Abstract（参考訳）: 特別なドメインの断片化と、計算設計と生理学的検証の間の実行ギャップによって妨げられている。 生成AIは約束を提供するが、現在のモデルは自律的な実行者としてではなく、受動的アシスタントとして機能することが多い。 本稿では,生物学,化学,薬理学を自律的な発見エンジンに統合するマルチエージェントプラットフォームOrchestRAを紹介する。 静的コードジェネレータとは異なり、エージェントは積極的にシミュレーションを実行し、結果を反復的に最適化する。 オーケストラによって統治された生物学者エージェントは、膨大な知識グラフ(>1000万の協会)の深い推論を利用して、高い信頼度を目標とすること、ケミストエージェントは、デ・ノボのデザインや薬物再配置のための構造ポケットを自律的に検出すること、薬理学エージェントは、厳密な生理学に基づく薬物動態(PBPK)シミュレーションを通じて候補を評価する。 このアーキテクチャは、薬物動態および毒性プロファイルが構造的再最適化を直接引き起こす動的なフィードバックループを確立する。 自律的な実行と人間の指導をシームレスに統合することにより、OrchestRAは治療設計を民主化し、薬物発見を確率探索からプログラム可能なエビデンスベースのエンジニアリング規律に変換する。

関連論文リスト

• Bohrium + SciMaster: Building the Infrastructure and Ecosystem for Agentic Science at Scale [82.20980951765891]
  エージェントサイエンスのスケーリングにはインフラストラクチャ・アンド・エコシステムアプローチが必要である,と我々は主張する。 BohriumはAI4S資産のマネージドでトレース可能なハブとして機能し、多様な科学データ、ソフトウェア、計算、実験室のシステムをエージェント対応の能力に変換する。 SciMasterはこれらの機能を長い水平科学に編成し、科学エージェントを合成して実行することができる。
  論文  参考訳（メタデータ） (2025-12-23T16:04:41Z)
• Simple Agents Outperform Experts in Biomedical Imaging Workflow Optimization [69.36509281190662]
  生産レベルのコンピュータビジョンツールを科学データセットに適応させることは、重要な"ラストマイル"ボトルネックである。 我々は、AIエージェントを使ってこの手動コーディングを自動化し、最適なエージェント設計のオープンな問題に焦点を当てる。 簡単なエージェントフレームワークが、人間-専門家のソリューションよりも優れた適応コードを生成することを実証する。
  論文  参考訳（メタデータ） (2025-12-02T18:42:26Z)
• SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
  SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。 実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。 回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
  論文  参考訳（メタデータ） (2025-11-29T09:18:39Z)
• FRAGMENTA: End-to-end Fragmentation-based Generative Model with Agentic Tuning for Drug Lead Optimization [1.5866079116942815]
  FRAGMENTAはドラッグリード最適化のためのエンドツーエンドフレームワークである。 これには、断片化を"語彙選択"問題として再編成する、新しい生成モデルが含まれている。 また、ドメインの専門家からの会話フィードバックを通じて目的を洗練するエージェントAIシステムも含まれている。
  論文  参考訳（メタデータ） (2025-11-25T17:17:54Z)
• AutoLabs: Cognitive Multi-Agent Systems with Self-Correction for Autonomous Chemical Experimentation [0.10999592665107412]
  AutoLabsは、自然言語命令を自動で実行可能なプロトコルに変換するように設計された、自己修正型マルチエージェントアーキテクチャである。 複雑化に関する5つのベンチマーク実験を特徴とする総合評価フレームワークを提案する。 以上の結果から,エージェント推論能力が成功の最も重要な要因であることが示唆された。
  論文  参考訳（メタデータ） (2025-09-30T01:51:46Z)
• Accelerating Drug Discovery Through Agentic AI: A Multi-Agent Approach to Laboratory Automation in the DMTA Cycle [0.0]
  本稿では、実験室の自動化を専門のAIエージェントに変換する、新しいAIフレームワークであるTippyを紹介する。 当社のマルチエージェントシステムでは、スーパーバイザー、分子、ラボ、分析、レポートの5つの特殊エージェントと安全ガードレールの監視が採用されています。
  論文  参考訳（メタデータ） (2025-07-11T21:13:13Z)
• 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)
• Artificial Intelligence based Autonomous Molecular Design for Medical Therapeutic: A Perspective [9.371378627575883]
  ドメイン認識機械学習(ML)モデルは、小さな分子治療設計の加速にますます採用されている。 我々は、各コンポーネントによって達成された最新のブレークスルーと、このような自律型AIとMLワークフローをどのように実現できるかを提示する。
  論文  参考訳（メタデータ） (2021-02-10T00:43:46Z)

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。