論文の概要: MAC-AMP: A Closed-Loop Multi-Agent Collaboration System for Multi-Objective Antimicrobial Peptide Design
- arxiv url: http://arxiv.org/abs/2602.14926v1
- Date: Mon, 16 Feb 2026 17:01:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-17 16:22:50.553475
- Title: MAC-AMP: A Closed-Loop Multi-Agent Collaboration System for Multi-Objective Antimicrobial Peptide Design
- Title（参考訳）: MAC-AMP:多目的抗微生物ペプチド設計のための閉ループ多エージェント協調システム
- Authors: Gen Zhou, Sugitha Janarthanan, Lianghong Chen, Pingzhao Hu,
- Abstract要約: 抗微生物ペプチド(AMP)は、耐性病原体と戦う強力で有望な能力のために研究されている。
ほとんどのAMPデザインモデルは、活動、毒性、新規性といった主要な目標のバランスをとるのに苦労しています。
本稿では,多目的AMP設計のためのクローズドループ多エージェント協調システムMAC-AMPを紹介する。
- 参考スコア（独自算出の注目度）: 2.624902795082451
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To address the global health threat of antimicrobial resistance, antimicrobial peptides (AMP) are being explored for their potent and promising ability to fight resistant pathogens. While artificial intelligence (AI) is being employed to advance AMP discovery and design, most AMP design models struggle to balance key goals like activity, toxicity, and novelty, using rigid or unclear scoring methods that make results hard to interpret and optimize. As the capabilities of Large Language Models (LLM) advance and evolve swiftly, we turn to AI multi-agent collaboration based on such models (multi-agent LLMs), which show rapidly rising potential in complex scientific design scenarios. Based on this, we introduce MAC-AMP, a closed-loop multi-agent collaboration (MAC) system for multi-objective AMP design. The system implements a fully autonomous simulated peer review-adaptive reinforcement learning framework that requires only a task description and example dataset to design novel AMPs. The novelty of our work lies in introducing a closed-loop multi-agent system for AMP design, with cross-domain transferability, that supports multi-objective optimization while remaining explainable rather than a 'black box'. Experiments show that MAC-AMP outperforms other AMP generative models by effectively optimizing AMP generation for multiple key molecular properties, demonstrating exceptional results in antibacterial activity, AMP likeliness, toxicity compliance, and structural reliability.
- Abstract（参考訳）: 抗微生物抵抗性の世界的な健康上の脅威に対処するため、抗微生物ペプチド(AMP)は、耐性病原体と戦うための強力で有望な能力のために研究されている。
人工知能(AI)がAMPの発見と設計を進めるのに使われている一方で、ほとんどのAMPデザインモデルは、動作、毒性、新規性といった主要な目標のバランスをとるのに苦労している。
LLM(Large Language Models)の能力が急速に進化するにつれて、そのようなモデル(マルチエージェントLPM)に基づいたAIマルチエージェントコラボレーションに転換し、複雑な科学的設計シナリオにおいて急速に潜在的な可能性を示す。
そこで我々は,多目的AMP設計のためのクローズドループ多エージェント協調(MAC)システムMAC-AMPを提案する。
このシステムは、AMPを設計するためにタスク記述とサンプルデータセットのみを必要とする完全自律的なピアレビュー適応型強化学習フレームワークを実装している。
我々の研究の斬新さは、AMP設計のためのクローズドループマルチエージェントシステムの導入であり、ドメイン間転送性は、"ブラックボックス"ではなく説明可能なまま、多目的最適化をサポートする。
実験により、MAC-AMPは、複数の重要な分子特性に対してAMP生成を効果的に最適化し、抗菌活性、AMP類似性、毒性コンプライアンス、構造信頼性の例外的な結果を示すことにより、他のAMP生成モデルよりも優れていることが示された。
関連論文リスト
- MedSAM-Agent: Empowering Interactive Medical Image Segmentation with Multi-turn Agentic Reinforcement Learning [53.37068897861388]
MedSAM-Agentは、対話的なセグメンテーションを多段階の自律的な意思決定プロセスとして再構築するフレームワークである。
マルチターン・エンド・ツー・エンドの成果検証を統合した2段階のトレーニングパイプラインを開発した。
6つの医療モダリティと21のデータセットにわたる実験は、MedSAM-Agentが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2026-02-03T09:47:49Z) - ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
6Gネットワークは複雑な層間最適化に依存している。
数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。
我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
論文 参考訳（メタデータ） (2026-01-27T13:43:59Z) - Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。
ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。
我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
論文 参考訳（メタデータ） (2025-10-11T18:11:09Z) - OmegAMP: Targeted AMP Discovery through Biologically Informed Generation [37.08970479806285]
深層学習に基づく抗微生物ペプチド(AMP)の発見は、制限された制御性などの重要な課題に直面している。
制御性を高めた信頼性AMP生成のためのフレームワークであるOmegAMPを紹介する。
我々のサイリコ実験では、OmegAMPがAMP発見パイプラインの重要なステージにまたがって最先端のパフォーマンスを提供することを示した。
論文 参考訳（メタデータ） (2025-04-24T04:53:04Z) - MoFormer: Multi-objective Antimicrobial Peptide Generation Based on Conditional Transformer Joint Multi-modal Fusion Descriptor [15.98003148948758]
AMPの多属性同時最適化のための多目的AMP合成パイプライン(MoFormer)を構築した。
MoFormerは、条件付き制約ときめ細かいマルチディスクリプタによってガイドされる、高度に構造化された潜在空間におけるAMPシーケンスの望ましい属性を改善している。
抗微生物活性の増強と溶血の最小化により,MoFormerは既存の方法よりも優れていた。
論文 参考訳（メタデータ） (2024-06-03T07:17:18Z) - HMAMP: Hypervolume-Driven Multi-Objective Antimicrobial Peptides Design [11.891046340221735]
本稿では, 抗微生物ペプチド (AMP) 設計における複数の特性を考慮したパラダイムシフトを提案する。
AMP概念のハイパーボリュームに根ざした強化学習と降下アルゴリズムの相乗化により、HMAMPは探索空間を効果的に拡張し、パターン崩壊の問題を緩和する。
10個の候補AMPに対するヘリカル構造と分子動力学シミュレーションの詳細な解析は、多目的AMP設計の領域におけるHMAMPの優位性を検証する。
論文 参考訳（メタデータ） (2024-05-01T07:17:59Z) - Accelerating Antimicrobial Peptide Discovery with Latent Structure [33.288514128470425]
我々は、AMP(LSSAMP)を設計するための潜在シーケンス構造モデルを提案する。
LSSAMPは二次構造を表現するために潜在空間における多スケールベクトル量子化を利用する。
実験の結果,LSSAMPにより産生されるペプチドは抗菌活性が高い可能性が示唆された。
論文 参考訳（メタデータ） (2022-11-28T06:43:32Z) - Graph-Based Active Machine Learning Method for Diverse and Novel
Antimicrobial Peptides Generation and Selection [57.131117785001194]
新しいAMP候補の大規模スクリーニングは高価で、時間もかかり、発展途上国では手頃な価格となっている。
本稿では,新しいAMPの設計に必要なウェットラブ実験の数を統計的に最小化する,アクティブ機械学習ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-18T14:30:48Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳（メタデータ） (2022-07-20T07:32:02Z) - Accelerating Antimicrobial Discovery with Controllable Deep Generative
Models and Molecular Dynamics [109.70543391923344]
CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。
深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。
提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
論文 参考訳（メタデータ） (2020-05-22T15:57:58Z)
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。