論文の概要: Towards Discovery of Polymers for Insulin Delivery via Physics-Grounded Agentic Workflows
- arxiv url: http://arxiv.org/abs/2605.18831v1
- Date: Tue, 12 May 2026 22:16:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-21 01:01:02.792425
- Title: Towards Discovery of Polymers for Insulin Delivery via Physics-Grounded Agentic Workflows
- Title（参考訳）: 物理を取り巻くエージェントワークフローによるインスリンデリバリー用高分子の発見に向けて
- Authors: Martins Otun,
- Abstract要約: コールドチェーンストレージは、数億人の人々のインスリンへのアクセスを制限する。
熱的に保護されたパッチ・ポリマーは役に立つが、デザイン空間は徹底的な実験には大きすぎる。
大規模言語モデル(LLM)は、モデルコンテキストプロトコル(MCP)を通じて物理ベースのツールを呼び出します。
最高の自律運動は-2263 kJ/molのインスリン-ポリマー相互作用エネルギーに達する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cold-chain storage limits access to insulin for hundreds of millions of people; a thermally protective patch polymer could help, but the design space is too large for exhaustive experiment. Starting from that problem, we narrow to an agentic workflow: a large language model (LLM) calls physics-based tools through the Model Context Protocol (MCP), searching the discrete PSMILES space under a budget of OpenMM Packmol-matrix evaluations. The LLM acts as an implicit acquisition function conditioned on a persistent "discovery world": hypotheses, literature claims, and simulation outcomes updated each iteration. Under matched oracle budgets, the best autonomous campaign reaches an insulin-polymer interaction energy of -2263 kJ/mol, outperforming reinforcement-learning baselines by 68% and Bayesian optimization by 19%. Three independent campaigns converge on one structural motif (dense hydrogen-bond donors and acceptors per repeat unit) while physics checks reject infeasible packings and name-structure mismatches before they steer the next step. The science stage is CPU-bound and runs on commodity hardware. More broadly, the same architecture and workflow designed here applies to other protein-stabilization tasks whenever a tractable screening oracle is available.
- Abstract（参考訳）: コールドチェーンのストレージは、数億人の人々のインスリンへのアクセスを制限する。熱的に保護されたパッチ・ポリマーは役に立つが、デザイン空間は徹底的な実験には大きすぎる。
大規模言語モデル(LLM)は、モデルコンテキストプロトコル(MCP)を通じて物理ベースのツールを呼び出し、OpenMM Packmol-matrix評価の予算の下で離散的なPSMILES空間を探索する。
LLMは、仮説、文献的主張、シミュレーションの結果が繰り返し更新されるという、永続的な「発見の世界」に条件付けられた暗黙の獲得関数として機能する。
整合したオラクル予算の下では、最高の自律的な運動はインスリンとポリマーの相互作用エネルギー-2263 kJ/molに達し、強化学習ベースラインを68%、ベイズ最適化を19%上回った。
3つの独立したキャンペーンは1つの構造モチーフ(水素結合ドナーとリピート単位当たりのアクセプター)に収束し、物理チェックは次のステップを進む前に実用不可能なパッキングと名前構造ミスマッチを拒絶する。
サイエンスステージはCPUバウンドで、コモディティハードウェア上で動作する。
より広義には、ここで設計された同じアーキテクチャとワークフローが、取り外し可能なスクリーニングオラクルが利用可能であれば、他のタンパク質安定化タスクにも適用される。
関連論文リスト
- AutoMOOSE: An Agentic AI for Autonomous Phase-Field Simulation [0.0]
AutoMOOSEは、ひとつの自然言語プロンプトから完全なシミュレーションライフサイクルを編成するエージェントフレームワークである。
MOOSEの入力ファイルは、人間の専門家参照と正確に一致する12のブロックのうち6つで、機能的に等価である。
インテント、有限要素実行、そして人間による検証のないアレニウス運動論にまたがる、エンドツーエンドの物理的整合性チェックを実行する。
論文 参考訳（メタデータ） (2026-03-22T00:11:19Z) - PeroMAS: A Multi-agent System of Perovskite Material Discovery [51.859972927223936]
ペロブスカイト太陽電池(PSC)は優れた光電子性能とコストポテンシャルで有名である。
既存のAIアプローチは主に、マテリアルデザイン、プロセス最適化、プロパティ予測など、独立したモデルに焦点を当てている。
ペロブスカイト材料発見のためのマルチエージェントシステムPeroMASを提案する。
論文 参考訳（メタデータ） (2026-02-10T09:33:06Z) - An Agentic Framework for Autonomous Materials Computation [70.24472585135929]
大規模言語モデル(LLM)は、科学的発見を加速するための強力なツールとして登場した。
近年の進歩はLLMをエージェントフレームワークに統合し、複雑な科学実験のための検索、推論、ツールの使用を可能にしている。
本稿では,第一原理計算の信頼性向上を目的としたドメイン特化エージェントを提案する。
論文 参考訳（メタデータ） (2025-12-22T15:03:57Z) - DynaMate: An Autonomous Agent for Protein-Ligand Molecular Dynamics Simulations [13.253932177045842]
力場に基づく分子動力学(MD)シミュレーションは、生体分子系の構造、力学、機能を知るのに不可欠である。
MDセットアップの技術的な複雑さは、パラメータ化、入力準備、ソフトウェア構成を含んでおり、広く効率的な使用の障壁となっている。
本稿では,タンパク質リガンドシステムとタンパク質リガンドシステムの両方の完全なMDを自律的に設計し,実行するモジュール型マルチエージェントフレームワークであるDynaMateを紹介する。
論文 参考訳（メタデータ） (2025-12-10T19:40:51Z) - Automating High Energy Physics Data Analysis with LLM-Powered Agents [6.8676809101926075]
本稿では,大規模言語モデル (LLM) エージェントを用いた代表的高エネルギー物理学 (HEP) 解析の自動化を実証する。
ヒッグス粒子二光子断面積測定をATLAS Open Dataのケーススタディとして用いて,LLMベースのスーパーバイザコーダエージェントとSnakemakeワークフローマネージャを組み合わせたハイブリッドシステムを構築した。
このアーキテクチャでは、ワークフローマネージャは決定性を強制し、エージェントはユーザーの指示に応じて分析コードを自動生成し、実行し、反復的に修正する。
論文 参考訳（メタデータ） (2025-12-08T18:13:13Z) - Self-Driving Laboratory Optimizes the Lower Critical Solution Temperature of Thermoresponsive Polymers [2.7000182834301687]
我々は,ポリ(N-イソプロピルラクリルアミド)の低臨界溶液温度(LCST)を最適化するための低コストで「フルガルツイン」プラットフォームを開発した。
本システムでは, ロボット流体処理, オンラインセンサ, および多成分塩溶液空間をナビゲートし, ユーザが指定したLCST目標を達成するベイズ最適化(BO)を統合した。
論文 参考訳（メタデータ） (2025-09-02T19:35:33Z) - 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) - DrugPilot: LLM-based Parameterized Reasoning Agent for Drug Discovery [54.79763887844838]
大規模言語モデル(LLM)と自律エージェントの統合は、自動推論とタスク実行を通じて科学的発見を促進する大きな可能性を秘めている。
本稿では,薬物発見におけるエンドツーエンド科学のために設計されたパラメータ化推論アーキテクチャを備えたLSMベースのエージェントシステムであるDrarmPilotを紹介する。
DrugPilot は ReAct や LoT のような最先端のエージェントよりも優れており、タスク完了率は98.0%、93.5%、64.0%である。
論文 参考訳（メタデータ） (2025-05-20T05:18:15Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z)
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。