論文の概要: Probe Before You Edit: Probing-Guided Molecular Optimization for LLM Agents in Structure-Based Drug Design
- arxiv url: http://arxiv.org/abs/2606.00555v2
- Date: Tue, 02 Jun 2026 07:09:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-03 18:57:50.361419
- Title: Probe Before You Edit: Probing-Guided Molecular Optimization for LLM Agents in Structure-Based Drug Design
- Title（参考訳）: 編集前のプローブ:構造に基づく医薬品設計におけるLCMエージェントの探索誘導分子最適化
- Authors: Zaifei Yang, Weiyu Chen, Yaqing Wang, James Kwok,
- Abstract要約: 2つの診断基準は、単一の編集が両方の目的をいかに改善するかを測定する。
これらのメトリクスを現在のLLMエージェントパイプラインに適用すると、一貫した障害モードが公開される。
編集応答型探索をベースとした最適化フレームワークである textbfPROBE を提案する。
- 参考スコア（独自算出の注目度）: 15.697564598284833
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Structure-based drug design increasingly employs LLM agents to iteratively refine ligands against a target pocket, yet a viable ligand must satisfy two often-conflicting objectives -- binding affinity and druggability -- which single optimization steps rarely improve together. To quantify this difficulty, we introduce two diagnostic metrics: the first measures how often a single edit improves both objectives, and the second measures how often a gain on one objective comes with a loss on the other. Applying these diagnostics to current LLM-agent pipelines exposes a consistent failure mode: the agent performs molecular editing without knowing how the pocket-ligand complex responds to local modifications, thus rarely achieving joint improvement. Inspired by medicinal chemists, who probe the pocket-ligand complex with controlled analog edits before choosing an optimization direction, we propose \textbf{PROBE}, an optimization framework built around edit-response probing. PROBE first decomposes the ligand into editable sites and builds a pocket-specific \textbf{site map} that flags where joint gains are plausible, where the two objectives are likely in tension, and where liability substructures should be changed; it then performs controlled probe edits whose responses are distilled into an \textbf{EditManual}. Guided by the site map and EditManual, PROBE runs an iterative multi-agent loop in which an affinity agent, a druggability agent, and a co-optimization agent jointly produce edits. On the CrossDocked2020 benchmark, PROBE achieves state-of-the-art performance and substantially mitigates the failure modes exposed by our diagnostics metrics.
- Abstract（参考訳）: 構造をベースとしたドラッグデザインでは、目標とするポケットに対してリガンドを反復的に精製するためにLSMエージェントがますます採用されているが、実行可能なリガンドは、単一の最適化ステップが共に改善されることが滅多にない2つの頻繁な目標 – 結合親和性と薬物性 – を満たさなければならない。
この難しさを定量化するために、まず、一つの編集が両方の目標を改善する頻度を計測し、次に、一方の目標に対する利益がもう一方の目標に損なわれる頻度を計測する。
エージェントは、ポケットリガンド複合体が局所的な修飾にどのように反応するかを知らずに分子編集を行うため、共同で改善することは滅多にない。
最適化方向を選択する前に、制御されたアナログ編集でポケットリガンド複合体を探索する薬理学者に触発され、編集応答探索を中心に構築された最適化フレームワークである「textbf{PROBE}」を提案する。
PROBEはまず、リガンドを編集可能な場所に分解し、ポケット固有の \textbf{site map} を構築する。これは、ジョイントゲインがプラウチブルで、2つの目的が緊張している可能性があり、負債のサブ構造が変更されるべきであるフラグで、その後、応答が \textbf{EditManual} に蒸留される制御されたプローブ編集を実行する。
PROBEは、サイトマップとEditManualによってガイドされ、親和性エージェント、薬物性エージェント、および共最適化エージェントが共同で編集を生成する反復多エージェントループを実行する。
CrossDocked2020ベンチマークでは、P PROBEは最先端のパフォーマンスを達成し、診断メトリクスによって露呈される障害モードを大幅に軽減します。
関連論文リスト
- IterInject: Indirect Prompt Injection Against LLM Agents via Feedback-Guided Iterative Optimization [33.58630045185762]
既存の攻撃は、エージェント固有の防御に適応できない静的ペイロードに依存している。
インジェクション,診断,診断のループを閉じるフィードバック誘導反復型フレームワークである oursys を導入する。
ステップは、失敗パターンから新しい偽の種を生成し、戦略空間を自己進化させる。
論文 参考訳（メタデータ） (2026-05-23T17:00:06Z) - From I/O to Code with Discovery Agent [103.88427301265669]
IO2Codeの発見エージェントであるDIO-Agentを提案する。
本手法は,プログラム空間上の進化的探索としてIO2Codeをフレーム化する。
大規模な実験により、DIO-Agentは従来のプログラムバイサンプル法とSOTA進化エージェントベースラインの両方を一貫して上回っていることが示された。
論文 参考訳（メタデータ） (2026-05-14T18:57:32Z) - From Single-Step Edit Response to Multi-Step Molecular Optimization [9.685693410049495]
条件付き分子最適化は、特定の特性シフトを実現するために分子を編集することを目的としている。
実際には、構造的に類似した分子データは少ないが、決定は本質的には作用レベルである。
単段階分子編集応答予測器と多段階プランナからなる応答指向離散編集最適化手法を提案する。
論文 参考訳（メタデータ） (2026-05-11T06:00:16Z) - The Anatomy of an Edit: Mechanism-Guided Activation Steering for Knowledge Editing [52.315369633116255]
大規模言語モデル(LLM)は知識ベースとしてますます使われているが、それらを最新の状態に保つには、目標とする知識編集(KE)が必要である。
ニューロンレベルの知識属性(NLKA)を用いたKEの力学的考察
代表的KE法全体にわたって、我々は一貫したパターンを見出す: ミッド・トゥ・レイト・アテンションは、主に新しいターゲットを促進するが、アテンションとFFNモジュールは、元の事実を抑えるために協力する。
本研究の目的は,MEGA(Mechanism-Guided Activation steering method)を提案することである。
論文 参考訳（メタデータ） (2026-03-21T12:40:15Z) - MetaKE: Meta-learning Aligned Knowledge Editing via Bi-level Optimization [11.430206422495829]
最先端の手法はオープンループ制御ミスマッチに悩まされる。
批判的「セマンティック・エクセプション・ディスコネクト」を同定する
両レベルの最適化問題としてKEを再構成する新しいフレームワークであるMetaKEを提案する。
論文 参考訳（メタデータ） (2026-03-13T05:47:00Z) - Coder as Editor: Code-driven Interpretable Molecular Optimization [36.84386817559159]
私たちは、編集アクションを実行可能なコードに変換することによって、推論と実行をブリッジするフレームワークMECoを紹介します。
提案手法は,化学反応とターゲット特異的化合物対からのリアルな編集を再現する際の精度を98%以上向上させる。
論文 参考訳（メタデータ） (2025-10-16T08:55:06Z) - Metacognitive Self-Correction for Multi-Agent System via Prototype-Guided Next-Execution Reconstruction [58.51530390018909]
大規模言語モデルに基づくマルチエージェントシステムは、協調的な問題解決において優れているが、エラーのカスケードには脆弱である。
我々は,MASにリアルタイム,教師なし,ステップレベルの誤り検出と自己補正を付与するメタ認知フレームワークMASCを提案する。
論文 参考訳（メタデータ） (2025-10-16T05:35:37Z) - MedREK: Retrieval-Based Editing for Medical LLMs with Key-Aware Prompts [70.64143198545031]
本稿では,情報誘導のための注目型プロンプトエンコーダと正確なマッチングのための共有クエリキーモジュールを統合した検索ベースの編集フレームワークであるMedREKを提案する。
各種医用ベンチマークの結果から,MedREKは異なるコアメトリクス間で優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-10-15T12:50:33Z) - 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) - 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)
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。