論文の概要: AutoBinder Agent: An MCP-Based Agent for End-to-End Protein Binder Design

• arxiv url: http://arxiv.org/abs/2602.00019v1
• Date: Fri, 16 Jan 2026 08:57:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 02:03:42.208023
• Title: AutoBinder Agent: An MCP-Based Agent for End-to-End Protein Binder Design
• Title（参考訳）: AutoBinder Agent: エンド・ツー・エンドタンパク・バインダー設計のためのMPPベースのエージェント
• Authors: Fukang Ge, Jiarui Zhu, Linjie Zhang, Haowen Xiao, Xiangcheng Bao, Fangnan Xie, Danyang Chen, Yanrui Lu, Yuting Wang, Ziqian Guan, Lin Gu, Jinhao Bi, Yingying Zhu,
• Abstract要約: 本稿では,Large Language Model (LLM) と Model Context Protocol (MCP) を利用したエージェント的エンドツーエンドドラッグデザインフレームワークを提案する。 このシステムは、幾何学的深層学習に基づくタンパク質サイト相互作用部位の同定のためのMaSIF、タンパク質の断片をタンパク質のバックボーンに移植するためのRosetta、アミノ酸配列のためのProteinMPNN、複雑な構造予測のためのAlphaFold3の4つの最先端コンポーネントを統合している。
• 参考スコア（独自算出の注目度）: 8.190052071911001
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern AI technologies for drug discovery are distributed across heterogeneous platforms-including web applications, desktop environments, and code libraries-leading to fragmented workflows, inconsistent interfaces, and high integration overhead. We present an agentic end-to-end drug design framework that leverages a Large Language Model (LLM) in conjunction with the Model Context Protocol (MCP) to dynamically coordinate access to biochemical databases, modular toolchains, and task-specific AI models. The system integrates four state-of-the-art components: MaSIF (MaSIF-site and MaSIF-seed-search) for geometric deep learning-based identification of protein-protein interaction (PPI) sites, Rosetta for grafting protein fragments onto protein backbones to form mini proteins, ProteinMPNN for amino acid sequences redesign, and AlphaFold3 for near-experimental accuracy in complex structure prediction. Starting from a target structure, the framework supports de novo binder generation via surface analysis, scaffold grafting and pose construction, sequence optimization, and structure prediction. Additionally, by replacing rigid, script-based workflows with a protocol-driven, LLM-coordinated architecture, the framework improves reproducibility, reduces manual overhead, and ensures extensibility, portability, and auditability across the entire drug design process.
• Abstract（参考訳）: ドラッグディスカバリのための最新のAI技術は、Webアプリケーション、デスクトップ環境、断片化されたワークフロー、一貫性のないインターフェース、高い統合オーバーヘッドに導かれるコードライブラリを含む、異種プラットフォームに分散されている。 本稿では,大規模言語モデル (LLM) とモデルコンテキストプロトコル (MCP) を併用して,バイオケミカルデータベース,モジュールツールチェーン,タスク固有のAIモデルへのアクセスを動的にコーディネートするエージェント・ツー・エンドドラッグデザインフレームワークを提案する。 MaSIF (MaSIF-site and MaSIF-seed-search) の幾何学的深層学習によるタンパク質とタンパク質の相互作用(PPI)部位の同定、タンパク質の断片をタンパク質のバックボーンに移植してミニタンパク質を形成するRostta、アミノ酸配列の再設計のためのProteinMPNN、複雑な構造予測のためのAlphaFold3である。 ターゲット構造から始めて、このフレームワークは表面分析、足場移植、ポーズ構築、シーケンス最適化、構造予測を通じてデノボバインダー生成をサポートする。 さらに、厳格なスクリプトベースのワークフローをプロトコル駆動のLLMコーディネートアーキテクチャに置き換えることで、再現性を改善し、手動オーバーヘッドを低減し、ドラッグデザインプロセス全体にわたって拡張性、移植性、監査性を保証する。

関連論文リスト

• ReACT-Drug: Reaction-Template Guided Reinforcement Learning for de novo Drug Design [0.34155322317700576]
  本稿では、強化学習に基づく完全に統合されたターゲットに依存しない分子設計フレームワークであるbfReACT-Drugを紹介する。 このアーキテクチャは、構造生物学、深層表現学習、化学規則を統合し、合理的な薬物設計を自動化し加速する可能性を強調している。
  論文  参考訳（メタデータ） (2025-12-24T05:29:35Z)
• Swarms of Large Language Model Agents for Protein Sequence Design with Experimental Validation [0.9332987715848714]
  大規模言語モデル(LLM)エージェントは並列に動作し、それぞれ特定の残基位置に割り当てられる。 この位置的、非集中的な調整は、多様で明確に定義されたシーケンスの創発的設計を可能にする。 提案手法は,数時間以内に効率よく客観的な設計を実現し,微調整や特殊訓練を行なわずに完全に動作させる。
  論文  参考訳（メタデータ） (2025-11-27T10:42:52Z)
• PRING: Rethinking Protein-Protein Interaction Prediction from Pairs to Graphs [88.98041407783502]
  PRINGは、タンパク質とタンパク質の相互作用予測をグラフレベルで評価する最初のベンチマークである。 PRINGは、21,484タンパク質と186,818の相互作用からなる高品質な多種PPIネットワークデータセットをキュレートする。
  論文  参考訳（メタデータ） (2025-07-07T15:21:05Z)
• DISPROTBENCH: A Disorder-Aware, Task-Rich Benchmark for Evaluating Protein Structure Prediction in Realistic Biological Contexts [76.59606029593085]
  DisProtBenchは、構造障害および複雑な生物学的条件下でタンパク質構造予測モデル(PSPM)を評価するためのベンチマークである。 DisProtBenchはデータの複雑さ、タスクの多様性、解釈可能性という3つの重要な軸にまたがっている。 その結果,機能的予測障害と相関する低信頼領域を有する障害下でのモデルロバスト性に有意な変動が認められた。
  論文  参考訳（メタデータ） (2025-06-18T23:58:22Z)
• OneProt: Towards Multi-Modal Protein Foundation Models [6.9092913261646345]
  我々は、構造、シーケンス、テキスト、結合サイトデータを統合したタンパク質のためのマルチモーダルAIであるOneProtを紹介する。 ImageBindフレームワークを使用して、OneProtは軽量な微調整方式でタンパク質モダリティエンコーダの潜在空間を整列する。 この研究はマルチモーダルタンパク質モデルの地平線を広げ、薬物発見、生物触媒反応計画、タンパク質工学における変革的応用の道を開く。
  論文  参考訳（メタデータ） (2024-11-07T16:54:54Z)
• Progressive Multi-Modality Learning for Inverse Protein Folding [47.095862120116976]
  マルチモーダルトランスファー学習を利用するMMDesignと呼ばれる新しいタンパク質設計パラダイムを提案する。 MMDesignは、事前訓練された構造モジュールと事前訓練されたコンテキストモジュールを組み合わせる最初のフレームワークである。 実験結果は、小さなデータセットでのみトレーニングした結果、MMDesignが様々な公開ベンチマークのベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2023-12-11T10:59:23Z)
• A Hierarchical Training Paradigm for Antibody Structure-sequence Co-design [54.30457372514873]
  抗体配列構造共設計のための階層的訓練パラダイム(HTP)を提案する。 HTPは4段階の訓練段階から構成され、それぞれが特定のタンパク質のモダリティに対応する。 実証実験により、HTPは共同設計問題において新しい最先端性能を設定できることが示されている。
  論文  参考訳（メタデータ） (2023-10-30T02:39:15Z)
• Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
  この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。 モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。 その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
  論文  参考訳（メタデータ） (2022-05-20T19:38:00Z)

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。