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/2604.07512v2
• Date: Fri, 10 Apr 2026 23:13:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 14:47:45.708393
• 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
• Abstract要約: Rhizome OS-1は、小さな分子の薬物発見のための半自動オペレーティングシステムである。 エージェントは、計算化学者、医薬化学者、特許エージェントとして機能する。 システムは分子グラフに直接新しい化学物質を生成する。
• 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 present Rhizome OS-1, a semi-autonomous operating system for small molecule drug discovery in which multi-modal AI agents operate as a full multidisciplinary discovery team. These agents function as computational chemists, medicinal chemists, and patent agents: they write and execute analysis code (fingerprint clustering, R-group decomposition, substructure search), visually triage molecular grids using vision capabilities, formulate explicit medicinal chemistry hypotheses across three strategy tiers, assess patent freedom-to-operate, and dynamically adapt generation strategies based on empirical screening feedback. Powered by r1 - a 246M-parameter graph diffusion model trained on 800 million molecular graphs - the system generates novel chemical matter directly on molecular graphs using fragment masking, scaffold decoration, linker design, and graph editing primitives. In two oncology campaigns (BCL6 BTB domain and EZH2 SET domain), the agent team executed 26 seeds and produced 5,231 novel molecules. Across both targets, 91.9% of generated Murcko scaffolds are absent from ChEMBL, with median Tanimoto similarity of 0.56-0.69 to the nearest known active. Boltz-2 binding affinity predictions, calibrated against ChEMBL data, achieved Spearman correlations of -0.53 to -0.64 and ROC AUC values of 0.88-0.93. These results demonstrate that semi-autonomous agent systems, equipped with graph-native generative tools and physics-informed scoring, enable a new paradigm for early-stage drug discovery: scaled, rapid, and adaptive inverse design with embedded medicinal chemistry reasoning.
• Abstract（参考訳）: 我々は,マルチモーダルAIエージェントが完全多分野発見チームとして機能する,小分子創薬のための半自律オペレーティングシステムであるRhizome OS-1を提案する。 これらのエージェントは、分析コード(指紋クラスタリング、Rグループ分解、サブストラクチャサーチ)を書いて実行し、視覚能力を用いた分子グリッドを視覚的にトリアージし、3つの戦略階層にわたる明示的な薬理化学仮説を定式化し、特許の自由と操作性を評価し、経験的スクリーニングフィードバックに基づいて動的に生成戦略を適応させる。 r1は8億の分子グラフに基づいてトレーニングされた246Mパラメータグラフ拡散モデルで、フラグメントマスキング、足場装飾、リンカーデザイン、グラフ編集プリミティブを使用して、分子グラフに直接新しい化学物質を生成する。 2つの腫瘍学キャンペーン(BCL6 BTBドメインとEZH2 SETドメイン)において、エージェントチームは26個の種子を実行し、5,231個の新規分子を生産した。 どちらの目標においても、生成したMurckoの足場の91.9%がChEMBLから欠落しており、Tanimotoの中央値は0.56-0.69である。 ボルツ2結合親和性予測は、ChEMBLデータに対して校正され、-0.53から-0.64のスピアマン相関とROC AUCの0.88-0.93の値を得た。 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を備えた半自律エージェントシステムにより、拡張、迅速、適応的な逆設計と組込み医薬化学推論という、初期段階の薬物発見の新たなパラダイムが実現できることを実証している。

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)
• Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling [74.25438319700929]
  分子と細胞応答の局所的グローバル依存性をモデル化する堅牢なフレームワークであるCHMR(Cell-aware Hierarchical Multi-modal Representations)を提案する。 728タスクにまたがる9つの公開ベンチマークで評価され、CHMRは最先端のベースラインを上回っている。 その結果, 階層認識型マルチモーダル学習による分子表現の信頼性, 生物学的基盤化の利点が示された。
  論文  参考訳（メタデータ） (2025-11-26T07:15:00Z)
• Copy-Augmented Representation for Structure Invariant Template-Free Retrosynthesis [17.5286075847689]
  C-SMILESは、従来のSMILESを5つの特別なトークンを持つ要素対に分解する新しい表現である。 提案手法はSMILESアライメントガイダンスを統合し,アテンションの整合性向上と地中構造原子マッピングを実現する。 この研究は、生成分子の99.9%の妥当性を持つ構造認識分子生成の新しいパラダイムを確立する。
  論文  参考訳（メタデータ） (2025-10-18T17:25:36Z)
• MMM: Quantum-Chemical Molecular Representation Learning for Combinatorial Drug Recommendation [5.017879531498458]
  共同処方薬間の薬物・薬物相互作用(DDI)は依然として重要な課題である。 分子電子局在関数(ELF)マップ(MMM)を用いたマルチモーダルDDI予測を提案する。 MMMは、グローバル電子特性を符号化するELFに由来する特徴と、局所的なサブ構造相互作用をモデル化する二部グラフエンコーダを組み合わせる。 以上の結果から,ALFをベースとした3D表現の予測精度の向上と,臨床実践における薬剤処方の安全性向上が示唆された。
  論文  参考訳（メタデータ） (2025-10-09T08:03:14Z)
• Valid Property-Enhanced Contrastive Learning for Targeted Optimization & Resampling for Novel Drug Design [1.4874449172133888]
  VECTOR+は、プロパティ誘導表現学習と制御可能な分子生成を結合するフレームワークである。 VECTOR+は新規で合成抽出可能な候補を生成する。 VECTOR+はキナーゼ阻害剤に一般化し、確立された薬物よりも強いドッキングスコアを持つ化合物を産生する。
  論文  参考訳（メタデータ） (2025-08-31T03:55:29Z)
• 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)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• 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。