論文の概要: Protein Design with Agent Rosetta: A Case Study for Specialized Scientific Agents

• arxiv url: http://arxiv.org/abs/2603.15952v1
• Date: Mon, 16 Mar 2026 22:06:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.010155
• Title: Protein Design with Agent Rosetta: A Case Study for Specialized Scientific Agents
• Title（参考訳）: ロゼッタによるタンパク質設計 : 特化剤のケーススタディ
• Authors: Jacopo Teneggi, S. M. Bargeen A. Turzo, Tanya Marwah, Alberto Bietti, P. Douglas Renfrew, Vikram Khipple Mulligan, Siavash Golkar,
• Abstract要約: 大規模言語モデル(LLM)は推論とツールの使用をエミュレートし、複雑な科学的タスクを実行する自律的なエージェントの機会を生み出すことができる。 我々は、物理ベースのヘテロポリマー設計ソフトウェアであるRosettaを操作するための構造化環境とLLMエージェントであるAgen Rosettaを紹介する。 我々は、カノニカルアミノ酸を用いた設計、専門モデルと専門家ベースラインの整合性、および非カノニカル残基による設計について、Rosettaエージェントの評価を行った。
• 参考スコア（独自算出の注目度）: 18.229877254808816
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) are capable of emulating reasoning and using tools, creating opportunities for autonomous agents that execute complex scientific tasks. Protein design provides a natural testbed: although machine learning (ML) methods achieve strong results, these are largely restricted to canonical amino acids and narrow objectives, leaving unfilled need for a generalist tool for broad design pipelines. We introduce Agent Rosetta, an LLM agent paired with a structured environment for operating Rosetta, the leading physics-based heteropolymer design software, capable of modeling non-canonical building blocks and geometries. Agent Rosetta iteratively refines designs to achieve user-defined objectives, combining LLM reasoning with Rosetta's generality. We evaluate Agent Rosetta on design with canonical amino acids, matching specialized models and expert baselines, and with non-canonical residues -- where ML approaches fail -- achieving comparable performance. Critically, prompt engineering alone often fails to generate Rosetta actions, demonstrating that environment design is essential for integrating LLM agents with specialized software. Our results show that properly designed environments enable LLM agents to make scientific software accessible while matching specialized tools and human experts.
• Abstract（参考訳）: 大規模言語モデル(LLM)は推論とツールの使用をエミュレートし、複雑な科学的タスクを実行する自律的なエージェントの機会を生み出すことができる。 機械学習(ML)の手法は強い結果をもたらすが、これらは主に正準アミノ酸と狭い目的に制限されており、幅広い設計パイプラインのための汎用ツールの必要性は残っていない。 物理をベースとしたヘテロポリマー設計ソフトウェアであるRosettaを運用するための構造化環境と組み合わせたLLMエージェントであるAgen Rosettaを紹介し,非標準構造ブロックとジオメトリーをモデル化する。 エージェント・ロゼッタはユーザー定義の目的を達成するために設計を反復的に洗練し、LLM推論とローゼッタの一般性を組み合わせた。 我々は、Agens Rosetta氏に、標準アミノ酸の設計、特殊モデルとエキスパートベースラインのマッチング、そして、MLアプローチが失敗する非標準残基について評価し、同等のパフォーマンスを達成する。 重要な点として、プロンプトエンジニアリングだけではローゼッタのアクションを生成できず、環境設計が特殊なソフトウェアとLLMエージェントを統合する上で不可欠であることを示す。 この結果から,LLMエージェントが専門的なツールや人的専門家とマッチングしながら,科学的ソフトウェアを利用できるようにする環境が適切に設計されていることが示唆された。

関連論文リスト

• ToolRosetta: Bridging Open-Source Repositories and Large Language Model Agents through Automated Tool Standardization [51.92237664440418]
  ToolRosettaは、オープンソースのコードリポジトリとAPIを自動的にMPP互換のツールに変換するフレームワークである。 ユーザタスクが与えられた場合、ToolRosettaはツールチェーンを自律的に計画し、関連するツールチェーンを特定し、実行可能なMPPサービスに変換する。
  論文  参考訳（メタデータ） (2026-03-10T07:19:43Z)
• HELP: Hierarchical Embodied Language Planner for Household Tasks [75.38606213726906]
  複雑なシナリオを扱うエージェントは、堅牢な計画能力に大きく依存する。 広範な言語知識を備えた大規模言語モデルは、この役割を果たすことができる。 LLMをベースとした一組のエージェントからなる階層型エンボディード言語プランナーHELPを提案する。
  論文  参考訳（メタデータ） (2025-12-25T15:54:08Z)
• An Agentic Framework for Autonomous Materials Computation [70.24472585135929]
  大規模言語モデル(LLM)は、科学的発見を加速するための強力なツールとして登場した。 近年の進歩はLLMをエージェントフレームワークに統合し、複雑な科学実験のための検索、推論、ツールの使用を可能にしている。 本稿では,第一原理計算の信頼性向上を目的としたドメイン特化エージェントを提案する。
  論文  参考訳（メタデータ） (2025-12-22T15:03:57Z)
• LoCoBench-Agent: An Interactive Benchmark for LLM Agents in Long-Context Software Engineering [90.84806758077536]
  textbfLoCoBench-Agentは,大規模言語モデル(LLM)エージェントを現実的,長期的ソフトウェア工学で評価するための総合的な評価フレームワークである。 我々のフレームワークは、LoCoBenchの8000のシナリオを対話型エージェント環境に拡張し、マルチターン会話の体系的評価を可能にする。 我々のフレームワークは,8つの特殊なツール(ファイル操作,検索,コード解析)をエージェントに提供し,それを10Kから1Mトークンの範囲で評価する。
  論文  参考訳（メタデータ） (2025-11-17T23:57:24Z)
• LLM Agents Making Agent Tools [2.5529148902034637]
  ツールの使用は、大規模言語モデル(LLM)を、複雑なマルチステップタスクを実行できる強力なエージェントに変えた。 しかし、これらのツールは人間の開発者によって事前に実装されなければならない。 論文をコードで自律的にLLM互換のツールに変換するエージェントフレームワークであるToolMakerを提案する。
  論文  参考訳（メタデータ） (2025-02-17T11:44:11Z)
• TPTU: Large Language Model-based AI Agents for Task Planning and Tool Usage [28.554981886052953]
  大規模言語モデル(LLM)は、様々な現実世界のアプリケーションのための強力なツールとして登場した。 LLMの本質的な生成能力は、その長所にもかかわらず、複雑なタスクを扱うには不十分である。 本稿では,LLMベースのAIエージェントに適した構造化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-07T09:22:03Z)
• Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
  機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。 私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。 当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
  論文  参考訳（メタデータ） (2021-01-11T15:54:48Z)
• Technology Readiness Levels for AI & ML [79.22051549519989]
  機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。 エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。 我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-21T17:14:34Z)

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。