論文の概要: DrugPlayGround: Benchmarking Large Language Models and Embeddings for Drug Discovery

• arxiv url: http://arxiv.org/abs/2604.02346v1
• Date: Wed, 11 Feb 2026 19:16:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.316049
• Title: DrugPlayGround: Benchmarking Large Language Models and Embeddings for Drug Discovery
• Title（参考訳）: DrugPlayGround:ドラッグ発見のための大規模言語モデルと埋め込みのベンチマーク
• Authors: Tianyu Liu, Sihan Jiang, Fan Zhang, Kunyang Sun, Teresa Head-Gordon, Hongyu Zhao,
• Abstract要約: 大型言語モデル (LLMs) は、薬物発見研究の最前線にある。 DrugPlayGroundは、LCMのパフォーマンスを評価し、ベンチマークするフレームワークである。
• 参考スコア（独自算出の注目度）: 11.058244885471169
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) are in the ascendancy for research in drug discovery, offering unprecedented opportunities to reshape drug research by accelerating hypothesis generation, optimizing candidate prioritization, and enabling more scalable and cost-effective drug discovery pipelines. However there is currently a lack of objective assessments of LLM performance to ascertain their advantages and limitations over traditional drug discovery platforms. To tackle this emergent problem, we have developed DrugPlayGround, a framework to evaluate and benchmark LLM performance for generating meaningful text-based descriptions of physiochemical drug characteristics, drug synergism, drug-protein interactions, and the physiological response to perturbations introduced by drug molecules. Moreover, DrugPlayGround is designed to work with domain experts to provide detailed explanations for justifying the predictions of LLMs, thereby testing LLMs for chemical and biological reasoning capabilities to push their greater use at the frontier of drug discovery at all of its stages.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、薬物発見の研究の上位にあり、仮説生成を加速し、候補の優先順位付けを最適化し、よりスケーラブルで費用対効果の高い薬物発見パイプラインを可能にすることにより、薬物研究を再形成する前例のない機会を提供している。 しかし、従来の薬物発見プラットフォームに対するその利点と限界を確かめるために、LLMのパフォーマンスを客観的に評価する能力が不足している。 創発的な問題に対処するため,我々は,生理化学的薬物特性,薬物相乗作用,薬物-タンパク質相互作用,および薬物分子による摂動に対する生理的応答について,有意義なテキストベースの記述を生成するためのLCM性能の評価とベンチマークを行うフレームワークであるDr.PlayGroundを開発した。 さらに、DarmPlayGroundはドメインの専門家と協力し、LSMの予測を正当化するための詳細な説明を提供するように設計されている。

関連論文リスト

• LLM-based Agents Suffer from Hallucinations: A Survey of Taxonomy, Methods, and Directions [80.12078194093013]
  LLMをベースとした幻覚の包括的調査を行った。 そこで本研究では,異なる段階において発生するさまざまな種類の幻覚を識別する新しい分類法を提案する。 エージェント幻覚の出現の根底にある18の要因について詳細な検討を行った。
  論文  参考訳（メタデータ） (2025-09-23T13:24:48Z)
• DrugMCTS: a drug repurposing framework combining multi-agent, RAG and Monte Carlo Tree Search [10.123162419093973]
  DrugMCTSは、RAG、マルチエージェントコラボレーション、薬物再配置のためのMonte Carlo Tree Searchを統合する新しいフレームワークである。 分子情報やタンパク質情報を検索・解析する5つの専門的なエージェントを駆使し、構造的かつ反復的な推論を可能にする。 本結果は,構造化推論,エージェントによる協調,フィードバックによる探索機構の重要性を強調した。
  論文  参考訳（メタデータ） (2025-07-10T04:39:55Z)
• PharmAgents: Building a Virtual Pharma with Large Language Model Agents [19.589707628042422]
  マルチエージェントコラボレーションによる仮想医薬エコシステムであるPharmAgentsを紹介する。 このシステムは、特殊な機械学習モデルと計算ツールを備えた、説明可能なLCM駆動エージェントを統合している。 潜在的な治療標的を特定し、有望な鉛化合物を発見し、結合親和性と重要な分子特性を高め、毒性と合成可能性のシリコ分析を行う。
  論文  参考訳（メタデータ） (2025-03-28T06:02:53Z)
• DrugImproverGPT: A Large Language Model for Drug Optimization with Fine-Tuning via Structured Policy Optimization [53.27954325490941]
  大規模言語モデル(LLM)の微調整は、特定の目的に向けて結果を生成するために不可欠である。 本研究は,薬物最適化LSMに基づく生成モデルを微調整するための新しい強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-11T04:00:21Z)
• Large Language Models in Drug Discovery and Development: From Disease Mechanisms to Clinical Trials [49.19897427783105]
  大規模言語モデル(LLM)の創薬・開発分野への統合は、重要なパラダイムシフトである。 これらの先進的な計算モデルが、ターゲット・ディスリーズ・リンクを明らかにし、複雑なバイオメディカルデータを解釈し、薬物分子設計を強化し、薬物の有効性と安全性を予測し、臨床治験プロセスを促進する方法について検討する。
  論文  参考訳（メタデータ） (2024-09-06T02:03:38Z)
• Large Language Model Distilling Medication Recommendation Model [58.94186280631342]
  大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。 本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。 これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
  論文  参考訳（メタデータ） (2024-02-05T08:25:22Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)

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。