論文の概要: Molecular Lead Optimization via Agentic Tool Planning

• arxiv url: http://arxiv.org/abs/2605.28862v1
• Date: Thu, 21 May 2026 19:12:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 05:02:24.544202
• Title: Molecular Lead Optimization via Agentic Tool Planning
• Title（参考訳）: エージェントツール計画による分子リード最適化
• Authors: Lingxiao Li, Haobo Zhang, Ruohao Fan, Bin Chen, Jiayu Zhou,
• Abstract要約: 鉛最適化は、初期のヒット化合物を有効な薬物候補に変換する上で重要な役割を担っている。 人工知能の最近の進歩は、薬物発見の様々な側面を加速させるという約束を示している。 分子リード最適化のためのトラジェクトリ対応LCM推論剤TRACEを提案する。
• 参考スコア（独自算出の注目度）: 35.734669753312474
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Drug discovery is a lengthy and resource-intensive process composed of multiple stages. Among these stages, lead optimization plays a critical role in transforming early hit compounds into viable drug candidates. This stage requires improving ADMET-related properties through subtle structural refinement while preserving key molecular substructures responsible for binding affinity to disease targets. Recent advances in artificial intelligence have shown promise in accelerating various aspects of drug discovery; however, most existing approaches to lead optimization rely on one-step molecular optimization, which fail to account for the long-term consequences of sequential design decisions. To address this limitation, we propose TRACE, a trajectory-aware, LLM-reasoning agent for molecular lead optimization that formulates tool selection as a sequential decision-making problem over action trajectories. Given a lead molecule and an optimization objective, TRACE makes trajectory-aware decisions over molecular optimization tools, enabling forward-looking refinement under structural constraints. Experiments on multiple ADMET optimization tasks show that our agent achieves higher optimization success, larger property improvements, and higher validity, while preserving molecular similarity compared to baseline models.
• Abstract（参考訳）: 薬物発見は、複数の段階からなる長く資源集約的なプロセスである。 これらの段階の中で、鉛最適化は初期のヒット化合物を有効な薬物候補に変換する上で重要な役割を担っている。 この段階は、ADMET関連特性を微妙な構造改善を通じて改善し、疾患標的への親和性に寄与する重要な分子構造を保存する必要がある。 近年の人工知能の進歩は、薬物発見の様々な側面を加速させることを約束している。しかし、最適化を導くための既存のアプローチは、一段階の分子最適化に依存しており、シーケンシャルな設計決定の長期的な結果を考慮していない。 この制限に対処するために,動作軌跡に対する逐次決定問題としてツールの選択を定式化する分子リード最適化のためのトラジェクトリ対応LCM推論剤TRACEを提案する。 鉛分子と最適化の目的を与えられたTRACEは、分子最適化ツールよりも軌道に適応した決定を行い、構造的制約の下で前方的な洗練を可能にする。 複数の ADMET 最適化タスクの実験により,我々のエージェントは,ベースラインモデルと比較して分子類似性を保ちながら,より高い最適化成功,より大きな特性向上,高い妥当性を達成できることが示された。

関連論文リスト

• 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)
• SEISMO: Increasing Sample Efficiency in Molecular Optimization with a Trajectory-Aware LLM Agent [0.7377073690542307]
  オンライン推論時間分子最適化エージェントSEISMOを紹介する。 集団ベースの学習やバッチ学習を必要とせずに、すべてのオラクルコール後に更新される。 従来の方法よりも曲線の2～3倍高い面積を達成し、50オラクルコール以内のタスクスコアに到達することが多い。
  論文  参考訳（メタデータ） (2026-01-31T11:23:48Z)
• 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)
• 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)
• Leveraging Latent Evolutionary Optimization for Targeted Molecule Generation [0.0]
  分子生成(LEOMol)における遅延進化最適化という革新的なアプローチを提案する。 LEOMolは最適化分子の効率的な生成のための生成モデリングフレームワークである。 提案手法は,従来の最先端モデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-02T13:42:21Z)
• Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
  AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。 最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
  論文  参考訳（メタデータ） (2024-07-01T06:10:29Z)
• Deep Lead Optimization: Leveraging Generative AI for Structural Modification [12.167178956742113]
  このレビューでは、基本的な概念、目標、従来のCADD技術、最近のAIDDの進歩について論じる。 制約付きサブグラフ生成に基づく統一的な視点を導入し,デノボ設計とリード最適化の方法論を調和させる。
  論文  参考訳（メタデータ） (2024-04-30T03:17:42Z)
• An Empirical Evaluation of Zeroth-Order Optimization Methods on AI-driven Molecule Optimization [78.36413169647408]
  分子目的を最適化するための様々なZO最適化手法の有効性について検討する。 ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。 本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-10-27T01:58:10Z)
• Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
  汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。 QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。 QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-03T18:51:18Z)
• Molecular Design in Synthetically Accessible Chemical Space via Deep Reinforcement Learning [0.0]
  既存の生成法は、最適化中に分子特性の分布を好適にシフトできる能力に制限されていると論じる。 本稿では,分子設計のための新しい強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-29T16:29:28Z)

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。