論文の概要: Rhizome OS-1: Rhizome's Semi-Autonomous Operating System for Small Molecule Drug Discovery
- arxiv url: http://arxiv.org/abs/2604.07512v1
- Date: Wed, 08 Apr 2026 18:49:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-10 18:34:05.514841
- Title: Rhizome OS-1: Rhizome's Semi-Autonomous Operating System for Small Molecule Drug Discovery
- Title（参考訳）: Rhizome OS-1:小型分子ドラッグ発見のためのRhizomeの半自動オペレーティングシステム
- Authors: Yiwen Wang, Gregory Sinenka, Xhuliano Brace,
- Abstract要約: 本稿では,多目的AIエージェントが多分野発見チームとして機能する半自律型発見システムを提案する。
Rhizome OS-1は, 大規模, 迅速, 適応的な逆設計をサポートすることにより, 創薬の早期発見のための新しいパラダイムを実現する。
- 参考スコア（独自算出の注目度）: 5.067971847473898
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We introduce a semi-autonomous discovery system in which multi-modal AI agents function as a multi-disciplinary discovery team, acting as computational chemists, medicinal chemists, and patent agents, writing and executing analysis code, visually evaluating molecular candidates, assessing patentability, and adapting generation strategy from empirical screening feedback, while r1, a 246M-parameter Graph Neural Network (GNN) trained on 800M molecules, generates novel chemical matter directly on molecular graphs. Agents executed two campaigns in oncology (BCL6, EZH2), formulating medicinal chemistry hypotheses across three strategy tiers and generating libraries of 2,355-2,876 novel molecules per target. Across both targets, 91.9% of generated Murcko scaffolds are absent from ChEMBL for their respective targets, with Tanimoto distances of 0.56-0.69 to the nearest known active, confirming that the engine produces structurally distinct chemical matter rather than recapitulating known compounds. Binding affinity predictions using Boltz-2 were calibrated against ChEMBL experimental data, achieving Spearman correlations of -0.53 to -0.64 and ROC AUC values of 0.88 to 0.93. These results demonstrate that semi-autonomous agent systems, equipped with graph-native generative tools and physics-informed scoring, provide a foundation for a modern operating system for small molecule discovery. We show that Rhizome OS-1 enables a new paradigm for early-stage drug discovery by supporting scaled, rapid, and adaptive inverse design.
- Abstract（参考訳）: 我々は,マルチモーダルAIエージェントが多分野の発見チームとして機能し,計算化学者,医薬化学者,特許エージェントとして機能し,解析コードを書いて実行し,分子候補を視覚的に評価し,特許性を評価し,経験的スクリーニングフィードバックから生成戦略を適用する半自律的な発見システムを導入する。
エージェントは、腫瘍学(BCL6, EZH2)の2つのキャンペーンを実行し、3つの戦略層にわたる薬理仮説を定式化し、ターゲットごとに2,355-2,876の新規分子のライブラリを生成する。
両方の目標において、生成されたMurckoの足場の91.9%は、それぞれの目標に対してChEMBLから外れており、タニモト距離は0.56-0.69であり、エンジンが既知の化合物を再カプセル化するのではなく、構造的に異なる化学物質を生成することを確認している。
Boltz-2を用いた結合親和性予測をChEMBL実験データに対して校正し,-0.53～-0.64のスピアマン相関値とROC AUCの0.88～0.93の相関値を得た。
これらの結果は、グラフネイティブな生成ツールと物理インフォームドスコアリングを備えた半自律エージェントシステムが、分子発見のための現代的なオペレーティングシステムの基礎となることを証明している。
Rhizome OS-1は, 大規模, 迅速, 適応的な逆設計をサポートすることにより, 創薬の早期発見のための新しいパラダイムを実現する。
関連論文リスト
- Transcriptome-Conditioned Personalized De Novo Drug Generation for AML Using Metaheuristic Assembly and Target-Driven Filtering [0.0]
急性骨髄性白血病(AML)は、その極端な分子多様性と高い再発率のために、臨床上の課題である。
本稿では,患者固有の転写学とde novo薬物発見のギャップを埋める,新しいエンドツーエンドの計算フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-24T17:39:37Z) - Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。
分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。
細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
論文 参考訳（メタデータ） (2025-07-22T04:35:50Z) - Tailoring Molecules for Protein Pockets: a Transformer-based Generative
Solution for Structured-based Drug Design [133.1268990638971]
標的タンパク質の構造に基づくデノボ薬物の設計は、新規な薬物候補を提供することができる。
そこで本研究では,特定のターゲットに対して,対象薬物をスクラッチから直接生成できるTamGentという生成ソリューションを提案する。
論文 参考訳（メタデータ） (2022-08-30T09:32:39Z) - LIMO: Latent Inceptionism for Targeted Molecule Generation [14.391216237573369]
本研究は,分子発生を極めて促進する分子発生機構であるLIMO(Latent Inceptionism on Molecules)について述べる。
総合的な実験により、LIMOはベンチマークタスクで競争力を発揮することが示された。
生成した薬物様化合物の1つが、ヒトエストロゲン受容体に対して6～14ドルのK_D$を予測している。
論文 参考訳（メタデータ） (2022-06-17T21:05:58Z) - Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。
いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。
我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文 参考訳（メタデータ） (2022-06-06T06:17:11Z) - ToxTree: descriptor-based machine learning models for both hERG and
Nav1.5 cardiotoxicity liability predictions [0.0]
薬物による電位ゲートカリウムチャネル(hERG)と電圧ゲートナトリウムチャネル(Nav1.5)の遮断は、重症心血管合併症を引き起こす。
本稿では,hERGとNav1.5の負債予測のための2つの頑健な2次元記述子に基づくQSAR予測モデルを提案する。
論文 参考訳（メタデータ） (2021-12-27T00:22:37Z) - Improved Drug-target Interaction Prediction with Intermolecular Graph
Transformer [98.8319016075089]
本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。
分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。
IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
論文 参考訳（メタデータ） (2021-10-14T13:28:02Z) - Automatic design of novel potential 3CL$^{\text{pro}}$ and
PL$^{\text{pro}}$ inhibitors [14.20377116532735]
分子ニューラルアッセイ探索(MONAS)という分子最適化フレームワークを提案する。
MONASは、特定の望ましい性質を持つ分子を識別する特性予測器、与えられた分子と既知の訓練分子との統計的類似性を近似するエネルギーモデル、および分子探索方法の3つの構成要素から構成される。
本研究では、これらのコンポーネントをグラフニューラルネットワーク(GNN)、Deep Energy Estorimat Networks(DEEN)、Monte Carlo Tree Search(MCTS)でインスタンス化する。
論文 参考訳（メタデータ） (2021-01-28T09:47:23Z)
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。