論文の概要: CP-Agent: Context-Aware Multimodal Reasoning for Cellular Morphological Profiling under Chemical Perturbations
- arxiv url: http://arxiv.org/abs/2606.03435v1
- Date: Tue, 02 Jun 2026 10:20:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-03 22:00:04.933175
- Title: CP-Agent: Context-Aware Multimodal Reasoning for Cellular Morphological Profiling under Chemical Perturbations
- Title（参考訳）: CP-Agent:化学摂動下における細胞形態プロファイリングのためのコンテキスト対応マルチモーダル推論
- Authors: Yuxin Zhang, Yiyao Li, Ping Shu Ho, Simon See, Zhenqin Wu, Kevin Tsia,
- Abstract要約: セルペイントは、多重蛍光染色、高濃度イメージング、定量的解析を組み合わせて、高次元の表現型読み出しを生成する。
CP-Agentは、薬物摂動下での細胞形態変化に対して、機構関連で人間解釈可能な有理性を生成する。
CP-CLIP出力をエージェントツールの使用と推論と統合することにより、CP-Agentは論理を構造化されたレポートにコンパイルし、実験的な設計と仮説の洗練を導く。
- 参考スコア（独自算出の注目度）: 22.43353931700872
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Cell Painting combines multiplexed fluorescent staining, high-content imaging, and quantitative analysis to generate high-dimensional phenotypic readouts to support diverse downstream tasks such as mechanism-of-action (MoA) inference, toxicity prediction, and construction of drug-disease atlases. However, existing workflows are slow, costly and difficult to interpret. Approaches for drug screening modeling predominantly focus on molecular representation learning, while neglecting actual experimental context (e.g., cell line, dosing schedule, etc.), limiting generalization and MoA resolution. We introduce CP-Agent, an agentic multimodal large language model (MLLM) capable of generating mechanism-relevant, human-interpretable rationales for cell morphological changes under drug perturbations. At its core, CP-Agent leverages a context-aware alignment module, CP-CLIP, that jointly embeds high-content images and experimental metadata to enable robust treatment and MoA discrimination (achieving a maximum F1-score of 0.896). By integrating CP-CLIP outputs with agentic tool usage and reasoning, CP-Agent compiles rationales into a structured report to guide experimental design and hypothesis refinement. These capabilities highlight CP-Agent's potential to accelerate drug discovery by enabling more interpretable, scalable, and context-aware phenotypic screening -- streamlining iterative cycles of hypothesis generation in drug discovery.
- Abstract（参考訳）: セルペイントは、多重蛍光染色、高濃度イメージング、定量的解析を組み合わせることで、高次元の表現型読み出しを生成し、メカニズム・オブ・アクション(MoA)推論、毒性予測、薬物放出アトラスの構築などの様々な下流タスクをサポートする。
しかし、既存のワークフローは遅く、コストがかかり、解釈が難しい。
薬物スクリーニングモデリングのアプローチは主に分子表現学習に焦点を当て、実際の実験状況(例えば、細胞株、投与スケジュールなど)を無視し、一般化とMoA分解能を制限する。
薬物摂動下での細胞形態変化に対する機構関連、人間解釈可能な論理を生成できるエージェント多モーダル大言語モデル(MLLM)であるCP-Agentを紹介する。
CP-Agentは、コンテキスト対応アライメントモジュールであるCP-CLIPを利用して、高濃度の画像と実験メタデータを共同で埋め込み、堅牢な処理とMoA識別を可能にする(最大F1スコアは0.896)。
CP-CLIP出力をエージェントツールの使用と推論と統合することにより、CP-Agentは論理を構造化されたレポートにコンパイルし、実験的な設計と仮説の洗練を導く。
これらの能力は、CP-Agentが薬物発見を加速する可能性を強調しており、薬物発見における仮説生成の反復サイクルを合理化することで、より解釈可能な、スケーラブルで、コンテキスト対応の表現型スクリーニングを可能にしている。
関連論文リスト
- Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。
LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
論文 参考訳（メタデータ） (2026-05-27T23:48:01Z) - Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。
従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。
本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-10T06:30:19Z) - 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) - Latent Causal Diffusions for Single-Cell Perturbation Modeling [83.47931153555321]
測定ノイズ下で観察された定常拡散過程として単細胞遺伝子発現をフレーム化する生成モデルを提案する。
LCDはシングルセルRNAシークエンシングスクリーンにおいて、目に見えない摂動の組み合わせの分布変化を予測するために確立されたアプローチより優れていた。
我々は、摂動応答(CLIPR)を介して因果線形化と呼ばれるアプローチを開発し、全ての遺伝子間の直接的な因果効果を近似する。
論文 参考訳（メタデータ） (2026-01-20T16:15:38Z) - Task-Specific Sparse Feature Masks for Molecular Toxicity Prediction with Chemical Language Models [5.563119267291969]
本稿では,精度と解釈可能性の両立を図るために,新しいマルチタスク学習(MTL)フレームワークを提案する。
我々のアーキテクチャは、共通化学言語モデルとタスク固有のアテンションモジュールを統合している。
これらのモジュールにL1のスパーシリティのペナルティを課すことにより、このフレームワークは個々の毒性エンドポイントに対して最小限の塩分分子フラグメントに焦点を絞ることに制約される。
論文 参考訳（メタデータ） (2025-12-12T09:41:04Z) - Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling [74.25438319700929]
分子と細胞応答の局所的グローバル依存性をモデル化する堅牢なフレームワークであるCHMR(Cell-aware Hierarchical Multi-modal Representations)を提案する。
728タスクにまたがる9つの公開ベンチマークで評価され、CHMRは最先端のベースラインを上回っている。
その結果, 階層認識型マルチモーダル学習による分子表現の信頼性, 生物学的基盤化の利点が示された。
論文 参考訳（メタデータ） (2025-11-26T07:15:00Z) - A Multi-Scale Graph Neural Process with Cross-Drug Co-Attention for Drug-Drug Interactions Prediction [16.181492817294743]
本稿では,新しいマルチスケールグラフニューラルプロセスフレームワークMPNP-DDIを提案する。
MPNP-DDIのコアは、グラフ表現の階層構造を複数のスケールで学習するユニークなメッセージパス方式である。
MPNP-DDIは、ベンチマークデータセットの最先端ベースラインを著しく上回る。
論文 参考訳（メタデータ） (2025-09-18T07:48:10Z) - Conditional Chemical Language Models are Versatile Tools in Drug Discovery [0.0]
分子の優先順位を決定するための生物学的文脈を規定する化学モデリングフレームワークSAFE-Tを提案する。
仮想スクリーニング、ドラッグ・ターゲット相互作用予測、アクティビティ・崖検出などのタスク間で分子のスコアリングがサポートされている。
既存のアプローチに匹敵するパフォーマンスを継続的に達成します。
論文 参考訳（メタデータ） (2025-07-14T13:42:39Z) - DrugMCTS: a drug repurposing framework combining multi-agent, RAG and Monte Carlo Tree Search [10.123162419093973]
DrugMCTSは、RAG、マルチエージェントコラボレーション、薬物再配置のためのMonte Carlo Tree Searchを統合する新しいフレームワークである。
分子情報やタンパク質情報を検索・解析する5つの専門的なエージェントを駆使し、構造的かつ反復的な推論を可能にする。
本結果は,構造化推論,エージェントによる協調,フィードバックによる探索機構の重要性を強調した。
論文 参考訳（メタデータ） (2025-07-10T04:39:55Z) - Addressing Model Overcomplexity in Drug-Drug Interaction Prediction With Molecular Fingerprints [0.0]
薬物と薬物の相互作用(DDI)の正確な予測は、医薬品研究と臨床安全性に不可欠である。
最近のディープラーニングモデルは、しばしば高い計算コストとデータセット間の限定的な一般化に悩まされる。
本研究では,Morgan fingerprints (S), graph-based embeddings from graph convolutional network (GCNs), transformer- derived embeddings from MoLFormer integrated into a straight neural network。
論文 参考訳（メタデータ） (2025-03-30T18:27:01Z)
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。