論文の概要: My Chemical Harness: Evolutionary Molecular Design over Synthetic Pathways with Large Language Model Agents

• arxiv url: http://arxiv.org/abs/2606.11256v1
• Date: Mon, 08 Jun 2026 23:52:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.087106
• Title: My Chemical Harness: Evolutionary Molecular Design over Synthetic Pathways with Large Language Model Agents
• Title（参考訳）: 私の化学ハーネス:大規模言語モデルエージェントを用いた合成経路の進化的分子設計
• Authors: César Ojeda, Darius A. Faroughy, Maryam Karimi, Payam Zarrintaj, Mir Mehdi Seyedebrahimi, Martín Carballo-Pacheco,
• Abstract要約: My Chemical Harnessは、ゴール指向分子設計のためのルートネイティブ進化フレームワークです。 それぞれの経路は、購入可能なビルディングブロックと反応テンプレートから構築され、決定論的化学ツールによって実行され、タスク固有の分子のオラクルによってスコア付けされる。 大規模言語モデル(LLM)は、ルート長、移動型、反応族、モチーフ、探索圧よりも高いレベルの優先順位を選択する戦略コントローラとしてのみ使用される。
• 参考スコア（独自算出の注目度）: 2.0798270860482964
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing molecules with target properties is most useful when candidate structures are accompanied by feasible synthetic routes. We introduce My Chemical Harness, a route-native evolutionary framework for goal-directed molecular design in which the search population consists of executable synthetic pathways rather than isolated molecular graphs. Each route is built from purchasable building blocks and reaction templates, executed by deterministic chemistry tools, and scored through task-specific molecular oracles. Large language models (LLMs) are used only as strategy controllers that select high-level preferences over route length, move type, reaction families, motifs, and exploration pressure, while local code performs route construction, validation, deduplication, scoring, selection, and memory updates. This separation lets the LLM guide exploration without allowing it to introduce hallucinated products or unsupported reaction steps. On a soluble epoxide hydrolase proxy task, our LLM agent improves over single pass LLM and deterministic controllers, reaching state-of-the-art performance across the sEH score, synthetic accessibility score, and AiZynthFinder success rate metrics. These results suggest that constrained LLM agents can play a significant role in molecular discovery without requiring training, fine-tuning, or dedicated generative models.
• Abstract（参考訳）: 標的となる性質を持つ分子を設計することは、候補構造に可能な合成経路が伴う場合に最も有用である。 我々はマイケミカル・ハーネス(My Chemical Harness)を紹介した。マイケミカル・ハーネス(My Chemical Harness)はゴール指向分子設計のためのルートネイティブな進化フレームワークであり、探索集団は孤立した分子グラフではなく、実行可能な合成経路で構成されている。 それぞれの経路は、購入可能なビルディングブロックと反応テンプレートから構築され、決定論的化学ツールによって実行され、タスク固有の分子のオラクルによってスコア付けされる。 大規模言語モデル(LLM)は、ルート長、移動型、反応族、モチーフ、探索圧よりも高いレベルの優先順位を選択する戦略コントローラとしてのみ使用され、ローカルコードはルート構築、検証、重複、スコアリング、選択、メモリ更新を行う。 この分離により、LLMガイドの探索は、幻覚生成物や無作為反応のステップを導入することなく行うことができる。 可溶性エポキシドヒドロラーゼプロセシングタスクでは,LLMエージェントは単一パスLDMと決定論的コントローラよりも向上し,sEHスコア,合成アクセシビリティスコア,AiZynthFinder成功率測定値に到達した。 これらの結果は、制限されたLLMエージェントが、訓練、微調整、あるいは専用の生成モデルを必要とすることなく、分子発見において重要な役割を果たすことを示唆している。

関連論文リスト

• MolLingo: Molecule-Native Representations for LLM-Powered Scientific Agents [57.28652712579434]
  分子設計を自動化するために化学者の推論過程をエミュレートするマルチエージェントシステムであるMolLingoを提案する。 MolLingoは、共有メモリモジュールを通じて、文学エージェント、化学エージェント、オーケストレーションをコーディネートすることで、この問題に対処する。 初期治療設計におけるケーススタディとして、MolLingoは、結合部位の幾何学と残基レベルのタンパク質コンテキストにおけるChemist Agentの推論を根拠にしている。
  論文  参考訳（メタデータ） (2026-05-27T02:11:23Z)
• 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)
• ChemActor: Enhancing Automated Extraction of Chemical Synthesis Actions with LLM-Generated Data [53.78763789036172]
  ケミカルエグゼキュータとして完全微調整された大規模言語モデル(LLM)であるChemActorを紹介し,非構造化実験手順と構造化動作シーケンスを変換する。 このフレームワークは、分散分散に基づくデータ選択モジュールと汎用LLMを統合し、単一の分子入力からマシン実行可能なアクションを生成する。 反応記述(R2D)と記述記述処理(D2A)のタスクの実験により、ChemActorは最先端のパフォーマンスを達成し、ベースラインモデルよりも10%高い性能を示した。
  論文  参考訳（メタデータ） (2025-06-30T05:11:19Z)
• LLM-Augmented Chemical Synthesis and Design Decision Programs [18.41721617026997]
  反応経路を符号化する効率的な手法を導入し,新しい経路レベルの探索戦略を提案する。 我々は,LLMを付加したアプローチがレトロシンセプション計画に優れており,より広範な分子設計の課題に自然に及んでいることを示す。
  論文  参考訳（メタデータ） (2025-05-11T15:43:00Z)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)

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。