論文の概要: LipoAgent: Coordinating Fine-Tuned LLM Agents for Safer Lipid Design

• arxiv url: http://arxiv.org/abs/2605.25250v1
• Date: Sun, 24 May 2026 20:24:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.043877
• Title: LipoAgent: Coordinating Fine-Tuned LLM Agents for Safer Lipid Design
• Title（参考訳）: LipoAgent: 脂質設計のための微調整LDMエージェントの調整
• Authors: Leshu Li, An Lu, Haiyu Wang, Zhibin Feng, Conghui Duan, Qing Bao, Zongmin Zhao, Sai Qian Zhang,
• Abstract要約: LipoAgentは、脂質発見のための安全を意識したマルチエージェントフレームワークである。 ドメイン固有の微調整と条件付き予測の目的を組み合わせる。 LipoAgentはmRNAの感染効率の予測において平均32%の相対的な改善を達成している。
• 参考スコア（独自算出の注目度）: 7.19248104487595
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Lipid nanoparticles (LNPs) are among the most clinically mature platforms for nucleic acid delivery, yet designing lipids that are both effective and biologically safe remains a major bottleneck. In practical screening, toxicity is a decision-level constraint: if a lipid is toxic, its efficiency prediction is clinically irrelevant. We propose LipoAgent, a safety-aware multi-agent LLM framework for lipid discovery. LipoAgent combines domain-specific finetuning with a conditional prediction objective that enforces toxicity as a prerequisite for efficiency prediction, and further improves reliability via multi-agent verification with lightweight human oversight when disagreement persists. Across multiple foundation models, LipoAgent achieves an average 32% relative improvement in mRNA transfection efficiency prediction compared with other reported models for lipid design. Wet-lab validation confirms that virtual screening rankings reliably translate to biological transfection outcomes. The code is publicly available at https://github.com/SAI-Lab-NYU/LipoAgent.git.
• Abstract（参考訳）: 脂質ナノ粒子(LNP)は核酸輸送の最も臨床的に成熟した基盤であるが、有効かつ生物学的に安全な脂質を設計することは大きなボトルネックである。 実際のスクリーニングでは、毒性は決定レベルの制約であり、脂質が毒性を持つ場合、その効率予測は臨床的に無関係である。 脂質発見のための安全対応多エージェントLCMフレームワークLipoAgentを提案する。 LipoAgentは、ドメイン固有の微調整を、効率予測の前提条件として毒性を強制する条件付き予測目標と組み合わせ、不一致が持続する際の軽量な人間の監視によるマルチエージェント検証により信頼性を向上させる。 複数の基礎モデル全体で、LipoAgentは脂質設計の他のモデルと比較して、mRNAの透過効率の予測において平均32%の相対的な改善を達成している。 Wet-lab Validationは、仮想スクリーニングランキングが生物学的な感染結果に確実に関連していることを確認する。 コードはhttps://github.com/SAI-Lab-NYU/LipoAgent.gitで公開されている。

関連論文リスト

• CGU-ILALab at FoodBench-QA 2026: Comparing Traditional and LLM-based Approaches for Recipe Nutrient Estimation [10.751176062286321]
  非構造的レシピテキストからの正確な栄養素推定は、食事モニタリングにおいて重要であるが難しい問題である。 語彙マッチング手法から深い意味エンコーダまで,幅広い表現能力を有するモデルを評価する。 その結果,予測精度と計算効率のトレードオフが明らかとなった。
  論文  参考訳（メタデータ） (2026-04-28T15:41:01Z)
• Towards Reliable Truth-Aligned Uncertainty Estimation in Large Language Models [54.51264434040939]
  不確実性推定(UE)は、大規模言語モデル(LLM)の幻覚出力を検出することを目的とする。 ほとんどのUEメトリクスはモデル動作に由来するので、プロキシ障害としてこの現象を定式化します。 UE測定値の補正のためのポストホックキャリブレーション法であるTrath AnChoring (TAC)を提案する。
  論文  参考訳（メタデータ） (2026-04-01T03:42:16Z)
• Reasoning with Confidence: Efficient Verification of LLM Reasoning Steps via Uncertainty Heads [104.9566359759396]
  データ駆動の不確実性スコアに基づくステップレベルの推論検証の軽量な代替案を提案する。 本研究は, LLMの内部状態が不確実性を符号化し, 信頼性の高い検証信号として機能することが示唆された。
  論文  参考訳（メタデータ） (2025-11-09T03:38:29Z)
• LANTERN: A Machine Learning Framework for Lipid Nanoparticle Transfection Efficiency Prediction [22.613971394957368]
  効率的な脂質ナノ粒子(LNP)を介するRNA輸送のための新しいイオン化可能な脂質は、RNAベースの治療開発において重要なボトルネックとなっている。 近年の進歩は、分子構造からの透過効率を予測する機械学習(ML)の可能性を強調している。 ここでは, イオン化可能な脂質表現に基づく透過効率予測のための堅牢なMLフレームワークであるLANTERNを提案する。
  論文  参考訳（メタデータ） (2025-07-03T22:49:49Z)
• The Dual-use Dilemma in LLMs: Do Empowering Ethical Capacities Make a Degraded Utility? [54.18519360412294]
  大きな言語モデル(LLM)は、安全のための有害な要求を拒否することと、ユーティリティのための正当な要求を収容することのバランスをとる必要がある。 本稿では,DPO(Direct Preference Optimization)に基づくアライメントフレームワークを提案する。 我々は,DeepSeek-R1をベンチマークでテストした結果を解析し,この高い評価を得たモデルがもたらす批判的倫理的懸念を明らかにする。
  論文  参考訳（メタデータ） (2025-01-20T06:35:01Z)
• LipidBERT: A Lipid Language Model Pre-trained on METiS de novo Lipid Library [7.3721461942110755]
  我々はMETiSのin-house de novolip generationアルゴリズムを用いて1000万個の仮想脂質のデータベースを作成し,維持する。 これらの仮想脂質は、事前訓練、脂質表現学習、下流タスク知識伝達のためのコーパスとして機能する。 本稿では,Masked Language Model (MLM) と各種二次タスクを事前学習した BERT ライクなモデルである LipidBERT を提案する。
  論文  参考訳（メタデータ） (2024-08-12T13:44:24Z)
• Self-Evaluation Improves Selective Generation in Large Language Models [54.003992911447696]
  オープンエンド生成タスクをトークンレベルの予測タスクに再構成する。 我々はLSMに答えを自己評価するように指示する。 自己評価に基づくスコアリング手法をベンチマークする。
  論文  参考訳（メタデータ） (2023-12-14T19:09:22Z)
• Chordal Sparsity for Lipschitz Constant Estimation of Deep Neural Networks [77.82638674792292]
  ニューラルネットワークのリプシッツ定数は、画像分類の堅牢性、コントローラ設計の安全性、トレーニングデータを超えた一般化性を保証する。 リプシッツ定数の計算はNPハードであるため、リプシッツ定数を推定する手法はスケーラビリティと精度のトレードオフをナビゲートする必要がある。 本研究では,LipSDPと呼ばれる半定値プログラミング手法のスケーラビリティフロンティアを大幅に推し進め,精度の損失をゼロにする。
  論文  参考訳（メタデータ） (2022-04-02T11:57:52Z)

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。