論文の概要: TSAssistant: A Human-in-the-Loop Agentic Framework for Automated Target Safety Assessment

• arxiv url: http://arxiv.org/abs/2604.23938v1
• Date: Mon, 27 Apr 2026 01:22:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.6866
• Title: TSAssistant: A Human-in-the-Loop Agentic Framework for Automated Target Safety Assessment
• Title（参考訳）: TSAsistant: 自動目標安全性評価のためのロボットエージェントフレームワーク
• Authors: Xiaochen Zheng, Zhiwen Jiang, Melanie Guerard, Klas Hatje, Tatyana Doktorova,
• Abstract要約: 標的安全性評価(TSA)は、治療対象の潜在的な安全性責任を評価するために、異種証拠を体系的に統合する必要がある。 本稿では,TSAレポートのドラフト作成を支援するマルチエージェントフレームワークであるTSAsistantについて述べる。 このフレームワークは、レポート生成を専用サブエージェントの協調パイプラインに分解し、それぞれが単一のTSAセクションをターゲットにしている。
• 参考スコア（独自算出の注目度）: 1.3250868088441832
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Target Safety Assessment (TSA) requires systematic integration of heterogeneous evidence, including genetic, transcriptomic, target homology, pharmacological, and clinical data, to evaluate potential safety liabilities of therapeutic targets. This process is inherently iterative and expert-driven, posing challenges in scalability and reproducibility. We present TSAssistant, a multi-agent framework designed to support TSA report drafting through a modular, section-based, and human-in-the-loop paradigm. The framework decomposes report generation into a coordinated pipeline of specialised subagents, each targeting a single TSA section. Specialised subagents retrieve structured and unstructured data as well as literature evidence from curated biomedical sources through standardised tool interfaces, producing individually citable, evidence-grounded sections. Agent behaviour is governed by a hierarchical instruction architecture comprising system prompts, domain-specific skill modules, and runtime user instructions. A key feature is an interactive refinement loop in which users may manually edit sections, append new information, upload additional sources, or re-invoke agents to revise specific sections, with the system maintaining conversational memory across iterations. TSAssistant is designed to reduce the mechanical burden of evidence synthesis and report drafting, supporting a hybrid model in which agentic AI augments evidence synthesis while toxicologists retain final decision authority.
• Abstract（参考訳）: 標的安全性評価(TSA)は、治療対象の潜在的な安全性責任を評価するために、遺伝的、転写学的、標的ホモロジー、薬理学的、臨床データを含む異種証拠を体系的に統合する必要がある。 このプロセスは本質的に反復的で専門家主導で、スケーラビリティと再現性の課題を提起します。 本稿では,TSAレポートのドラフト作成を支援するマルチエージェントフレームワークであるTSAsistantについて述べる。 このフレームワークは、レポート生成を専用サブエージェントの協調パイプラインに分解し、それぞれが単一のTSAセクションをターゲットにしている。 特殊なサブエージェントは、構造化された、非構造化されたデータと、標準化されたツールインターフェースを通じて、硬化したバイオメディカルソースからの文献証拠を検索し、個別に決定可能なエビデンスグラウンドのセクションを生成する。 エージェントの動作は、システムプロンプト、ドメイン固有のスキルモジュール、実行時のユーザ命令で構成される階層的な命令アーキテクチャによって管理される。 重要な機能はインタラクティブなリファインメントループで、ユーザーはセクションを手動で編集したり、新しい情報を付加したり、追加ソースをアップロードしたり、特定のセクションを更新するための再起動エージェントを起動したりできる。 TSAsistantは、エビデンス合成とレポートドラフトの機械的負担を軽減するように設計されており、エージェントAIがエビデンス合成を強化し、毒物学者が最終的な決定権限を保持するハイブリッドモデルをサポートする。

関連論文リスト

• AgentFoX: LLM Agent-Guided Fusion with eXplainability for AI-Generated Image Detection [21.02452809723292]
  動的多相解析プロセスとしてAIGI検出を再定義するフレームワークである textbfAgentFoX を提案する。 本手法では,キュレートされた知識ベースによって誘導される高速積分融合機構を用いる。 AgentFoXは、その判断を裏付ける詳細な人間可読な法医学レポートを作成している。
  論文  参考訳（メタデータ） (2026-03-24T12:10:21Z)
• When Only the Final Text Survives: Implicit Execution Tracing for Multi-Agent Attribution [10.973058523304042]
  IET(Implicit Execution Tracing)は、メタデータに依存しないフレームワークで、生成したテキストから直接トークンレベルの属性を作成できる。 生成中、エージェント固有のキー付き信号がトークン分布に埋め込まれ、秘密鍵でのみ検出可能な自己記述実行トレースに変換される。 検出時にエージェントハンドオーバポイントを特定し、インタラクショングラフを再構築する。
  論文  参考訳（メタデータ） (2026-03-18T07:34:51Z)
• Autonomous Agents Coordinating Distributed Discovery Through Emergent Artifact Exchange [3.923443951480117]
  ScienceClaw + Infiniteは、独立したエージェントが中央調整なしで研究を行う自律的な科学調査の枠組みである。 システムは3つのコンポーネントで構成されている:300以上の科学スキルの相互運用可能なレジストリ、完全な計算系を保存するアーティファクト層、エージェントベースの科学談話のための構造化プラットフォーム。
  論文  参考訳（メタデータ） (2026-03-15T10:06:57Z)
• AgentCAT: An LLM Agent for Extracting and Analyzing Catalytic Reaction Data from Chemical Engineering Literature [55.66036140125613]
  本稿では,化学工学論文から触媒反応データを抽出し,解析する大規模言語モデル (LLM) エージェントであるAgentCATを提案する。 AgentCATは、化学工学分野における長年のデータボトルネックを克服する代替手段として機能する。
  論文  参考訳（メタデータ） (2026-02-10T04:30:11Z)
• DeepSynth-Eval: Objectively Evaluating Information Consolidation in Deep Survey Writing [53.85037373860246]
  本稿では,情報統合能力を客観的に評価するためのベンチマークであるDeep Synth-Evalを紹介する。 一般チェックリスト(実例)と制約チェックリスト(構造体)を用いたきめ細かい評価プロトコルを提案する。 その結果,エージェント型プラン・アンド・ライトは単ターン生成よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2026-01-07T03:07:52Z)
• LLM-driven Provenance Forensics for Threat Investigation and Detection [12.388936704058521]
  PROVSEEKは、証明駆動の法医学的分析と脅威情報抽出のためのエージェントフレームワークである。 ベクター化された脅威レポートの知識ベースとシステム前駆者データベースのデータとを融合させる、正確なコンテキスト対応クエリを生成する。 証明クエリを解決し、複数の役割特異的なエージェントを編成して幻覚を緩和し、構造化された、地味で検証可能な法医学的な要約を合成する。
  論文  参考訳（メタデータ） (2025-08-29T04:39:52Z)
• MCP-Orchestrated Multi-Agent System for Automated Disinformation Detection [84.75972919995398]
  本稿では,関係抽出を用いてニュース記事の偽情報を検出するマルチエージェントシステムを提案する。 提案したエージェントAIシステムは、(i)機械学習エージェント(ロジスティック回帰)、(ii)Wikipedia知識チェックエージェント、(iv)Webスクラッドデータアナライザの4つのエージェントを組み合わせる。 その結果、マルチエージェントアンサンブルはF1スコア0.964で95.3%の精度を達成し、個々のエージェントや従来のアプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-08-13T19:14:48Z)
• HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis [55.2480439325792]
  HySemRAGは、Extract, Transform, Load (ETL)パイプラインとRetrieval-Augmented Generation (RAG)を組み合わせたフレームワークである。 システムは、マルチ層アプローチを通じて既存のRAGアーキテクチャの制限に対処する。
  論文  参考訳（メタデータ） (2025-08-01T20:30:42Z)
• Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
  Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。 本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
  論文  参考訳（メタデータ） (2025-06-22T16:52:48Z)

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。