論文の概要: ToolMol: Evolutionary Agentic Framework for Multi-objective Drug Discovery
- arxiv url: http://arxiv.org/abs/2605.12784v1
- Date: Tue, 12 May 2026 21:58:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-14 23:30:27.707094
- Title: ToolMol: Evolutionary Agentic Framework for Multi-objective Drug Discovery
- Title（参考訳）: ToolMol:多目的ドラッグ発見のための進化的エージェントフレームワーク
- Authors: Andrew Y. Zhou, Sharvaree Vadgama, Sumanth Varambally, Peter Eckmann, Michael K. Gilson, Rose Yu,
- Abstract要約: $textttToolMol$は、de novoドラッグデザインのための進化的エージェントフレームワークである。
$textttToolMol$は、ゴールド標準の絶対結合自由エネルギースコアで最先端の結果を達成する。
- 参考スコア（独自算出の注目度）: 21.51115935236214
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Advances in large language models (LLMs) have recently opened new and promising avenues for small-molecule drug discovery. Yet existing LLM-based approaches for molecular generation often suffer from high rates of invalid and low-quality ligand candidates, a result of the syntactic limitations of current models with regard to molecular strings. In this paper, we introduce $\texttt{ToolMol}$, an evolutionary agentic framework for de novo drug design. $\texttt{ToolMol}$ combines a multi-objective genetic algorithm with an agentic LLM operator that iteratively updates the ligand population. We build a comprehensive toolbox of RDKit-backed functions that allows our agentic operator to consisently make precise ligand modifications. $\texttt{ToolMol}$ achieves state-of-the-art performance on multi-objective property optimization tasks, discovering drug-like and synthesizable ligands that have $>10\%$ stronger predicted binding affinity compared to existing methods, evaluated on three protein targets. $\texttt{ToolMol}$ ligands additionally achieve state-of-the-art results in gold-standard Absolute Binding Free Energy scores, gaining over existing methods by over $35\%$. By studying chain-of-thought reasoning traces, we observe that tool-calling enables the model to more faithfully execute its planned modifications, efficiently exploiting the strong chemical prior knowledge in LLMs.
- Abstract（参考訳）: 大規模言語モデル(LLM)の進歩は、最近、小分子の薬物発見のための新しい、そして有望な道を開いた。
しかし、分子生成のための既存のLCMベースのアプローチは、しばしば、分子の弦に関する現在のモデルの構文上の制限の結果として、無効なリガンド候補と低品質リガンド候補の高率に悩まされる。
本稿では,de novoドラッグデザインのための進化的エージェントフレームワークである$\texttt{ToolMol}$を紹介する。
$\texttt{ToolMol}$は、多目的遺伝的アルゴリズムとエージェントLLM演算子を組み合わせることで、リガンド人口を反復的に更新する。
我々はRDKitが支援する関数の包括的なツールボックスを構築し、エージェントオペレーターが正確にリガンドを変更できるようにします。
$\texttt{ToolMol}$は、マルチオブジェクトプロパティ最適化タスクにおける最先端のパフォーマンスを達成し、既存の3つのタンパク質ターゲットで評価された、$>10\%の強い予測的結合親和性を持つドラッグライクで合成可能なリガンドを発見する。
$\texttt{ToolMol}$ ligandsはさらに、ゴールド標準の絶対結合自由エネルギースコアの最先端結果を達成する。
思考の連鎖的推論のトレースを研究した結果、ツールコールによってモデルが計画された修正をより忠実に実行でき、LSMの強い化学先行知識を効果的に活用できることがわかった。
関連論文リスト
- Gecko: A Simulation Environment with Stateful Feedback for Refining Agent Tool Calls [56.407063247662336]
本稿では,ルールとLLMを組み合わせてツール応答をシミュレートする総合環境であるGeckoを紹介する。
GATS は GPT-4o, GPT-5, Gemini-3.0-pro など様々な LLM のツールコール性能を一貫して改善している。
論文 参考訳（メタデータ） (2026-02-22T15:02:00Z) - DrugR: Optimizing Molecular Drugs through LLM-based Explicit Reasoning [24.70952870676648]
DrugRは、明示的で段階的な薬理学的推論を最適化プロセスに導入する、大きな言語モデルである。
提案手法は, ドメイン固有の事前学習, 逆データ工学による微調整, 自己バランス型多粒性強化学習を統合した。
実験結果から、Dr.Rは構造的類似性や標的結合親和性を損なうことなく、複数の特性を包括的に拡張できることが示された。
論文 参考訳（メタデータ） (2026-02-09T02:26:25Z) - Agentic reinforcement learning empowers next-generation chemical language models for molecular design and synthesis [51.83339196548892]
ChemCraftは、知識ストレージから化学推論を分離する新しいフレームワークである。
ChemCraftは最小の推論コストで優れたパフォーマンスを実現する。
この研究は、AI支援化学のコスト効率とプライバシ保護のパラダイムを確立する。
論文 参考訳（メタデータ） (2026-01-25T04:23:34Z) - M^4olGen: Multi-Agent, Multi-Stage Molecular Generation under Precise Multi-Property Constraints [35.83366265234892]
textbfM olGenは、多能性制約下での分子生成のためのフラグメントレベル、検索強化、2段階のフレームワークである。
フラグメントの推論チェーンと測定されたプロパティデルタを備えたデータセットは、両方のステージを基盤とします。
2組のプロパティ制約の下での生成実験は、多目的の妥当性と正確な満足度において一貫した利得を示す。
論文 参考訳（メタデータ） (2026-01-15T07:18:05Z) - An Auditable Agent Platform For Automated Molecular Optimisation [0.0]
薬物発見は、データ、専門知識、ツールが散在すると、しばしば勢いを失う。
このループを短くするため、分子最適化を自動化するエージェントフレームワークを使用した階層的なツールを構築しました。
論文 参考訳（メタデータ） (2025-08-05T13:41:32Z) - Collaborative Expert LLMs Guided Multi-Objective Molecular Optimization [51.104444856052204]
我々は,多目的分子最適化のための協調型大規模言語モデル(LLM)システムであるMultiMolを提案する。
6つの多目的最適化タスクに対する評価において、MultiMolは既存の手法を著しく上回り、82.30%の成功率を達成した。
論文 参考訳（メタデータ） (2025-03-05T13:47:55Z) - ChatMol: A Versatile Molecule Designer Based on the Numerically Enhanced Large Language Model [11.166536730901102]
ゴール指向のデノボ分子設計は、薬物発見において重要な課題である。
そこで我々はChatMolを提案する。ChatMolは多種多様な制約設定における分子設計にLarge Language Modelsを活用する新しいアプローチである。
単一プロパティ、サブ構造プロパティ、マルチプロパティ制約タスクにわたる実験結果は、ChatMolが一貫して最先端のベースラインを上回っていることを示している。
論文 参考訳（メタデータ） (2025-02-27T06:05:45Z) - 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) - DrugAssist: A Large Language Model for Molecule Optimization [29.95488215594247]
DrugAssistは、人間と機械の対話を通じて最適化を行う対話型分子最適化モデルである。
DrugAssistは、単一および複数プロパティの最適化において、主要な結果を得た。
分子最適化タスクの微調整言語モデルのための,MomoOpt-Instructionsと呼ばれる大規模命令ベースデータセットを公開している。
論文 参考訳（メタデータ） (2023-12-28T10:46:56Z) - MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。
本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
論文 参考訳（メタデータ） (2020-10-05T20:18:42Z)
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。