論文の概要: A Modular Agentic Framework for Synthetically Constrained Multi-Objective Hit-to-Lead Optimization

• arxiv url: http://arxiv.org/abs/2608.11483v1
• Date: Tue, 11 Aug 2026 22:50:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.397816
• Title: A Modular Agentic Framework for Synthetically Constrained Multi-Objective Hit-to-Lead Optimization
• Title（参考訳）: 合成制約付き多目的ヒット-リード最適化のためのモジュールエージェントフレームワーク
• Abstract要約: 本稿では,化学構造最適化を導くオープンソースフレームワークであるSABLEを紹介する。 SABLEはLLMを使用してユーザ定義の目標を解釈し、タスクをルーティングする。 特殊なツールは、反応測定されたアナログ列挙、物理化学的およびADMET特性予測、構造に基づく親和性スコアリング、ベイズ最適化を実行する。
• 参考スコア（独自算出の注目度）: 32.444035880212404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hit-to-lead optimization requires iterative design of hit analogs across competing potency, selectivity, physicochemical, pharmacokinetic, safety, and synthetic constraints. We present SABLE (Synthetically-accessible Agentic Bayesian Ligand Exploration), an open-source framework that employs natural-language orchestration to guide chemical structure optimization. SABLE uses an LLM to interpret user-defined goals and route tasks, while specialized tools perform reaction-templated analog enumeration, physicochemical and ADMET property prediction, structure-based affinity scoring, and Bayesian optimization. The resulting workflow is a computational twin of the analytical and prioritization stages of the design-make-test-analyze cycle, providing provenance of each numerical output. Across single, and multi-objective optimization studies, SABLE enriches candidate sets for user-defined computational objectives while evaluating only a subset of the enumerated search space. Its modular architecture allows tools and characterization backends to be replaced by editing a simple config file, without modifying operational logic. SABLE provides an extensible decision-support framework for prioritizing synthetically constrained analogs in early-stage drug discovery.
• Abstract（参考訳）: ヒット・ツー・リード最適化は、競合する有効性、選択性、物理化学的、薬物動態、安全性、合成的制約にまたがる、ヒットアナログの反復的な設計を必要とする。 SABLE(Synthetically- Accessible Agentic Bayesian Ligand Exploration)は,自然言語オーケストレーションを用いて化学構造最適化を導くオープンソースのフレームワークである。 SABLE は LLM を用いてユーザ定義の目標と経路タスクを解釈し、特殊なツールは反応測定されたアナログ列挙、物理化学および ADMET 特性予測、構造に基づく親和性スコア、ベイズ最適化を行う。 結果として得られるワークフローは、デザイン・メイク・テスト・アナライズ・サイクルの分析および優先順位付け段階の計算双対であり、各数値出力の証明を提供する。 単目的および多目的最適化研究において、SABLEは、列挙された検索空間のサブセットのみを評価しながら、ユーザ定義の計算目的の候補セットを豊かにする。 モジュール化されたアーキテクチャにより、ツールとキャラクタリゼーションバックエンドは、操作ロジックを変更することなく、単純な設定ファイルを編集することで置き換えられる。 SABLEは、初期段階の薬物発見において、合成制限されたアナログを優先順位付けするための拡張可能な決定支援フレームワークを提供する。

関連論文リスト

• From Atomic Actions to Standard Operating Procedures: Iterative Tool Optimization for Self-Evolving LLM Agents [90.3279207163486]
  EvoSOPは、エージェントが実行軌跡からSOPを抽出し、反復的にツールセットを最適化することを可能にするフレームワークである。 EvoSOPはタスク成功率を大幅に向上し,インタラクションラウンドの回数を大幅に削減することを示す。
  論文  参考訳（メタデータ） (2026-07-08T12:09:49Z)
• Design Structure Matrix Modularization with Large Language Models [5.897012511455557]
  設計構造マトリックス(DSM)のモジュール化は、エンジニアリング設計における根本的な課題である。 従来の手法では、システムに埋め込まれたエンジニアリングコンテキストにアクセスすることなく、純粋なグラフ最適化としてモジュール化を扱う。 本稿では,DSMシークエンシングのためのLCMに基づく最適化に関する先行研究について述べる。 提案手法は,最適化コードを必要とすることなく,30回以内の参照品質を実現する。
  論文  参考訳（メタデータ） (2026-04-30T15:38:38Z)
• Execution-Verified Reinforcement Learning for Optimization Modeling [49.171122807323634]
  実行検証学習フレームワークは、数学的プログラミング解法を決定論的で対話的な検証器として扱う。 NL4OPT, MAMO, IndustryOR, OptiBenchをグロビ, OR-Tools, COPTで行った実験では, EVOMがプロセス管理SFTに適合または優れていた。
  論文  参考訳（メタデータ） (2026-04-01T03:39:11Z)
• A Meta-Knowledge-Augmented LLM Framework for Hyperparameter Optimization in Time-Series Forecasting [0.0]
  LLM-AutoOptは,BOとLLMに基づく文脈推論を組み合わせたハイブリッドHPOフレームワークである。 LLM-AutoOpt はメタ知識のない BO や LLM のベースラインと比較して,予測性能の向上と解釈可能な最適化動作の向上を実現している。
  論文  参考訳（メタデータ） (2026-02-01T21:26:57Z)
• Towards Agentic Intelligence for Materials Science [73.4576385477731]
  この調査は、コーパスキュレーションからプレトレーニングから、シミュレーションと実験プラットフォームに面した目標条件付きエージェントまで、ユニークなパイプライン中心の視点を推し進める。 コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。
  論文  参考訳（メタデータ） (2026-01-29T23:48:43Z)
• Let It Flow: Agentic Crafting on Rock and Roll, Building the ROME Model within an Open Agentic Learning Ecosystem [90.17610617854247]
  本稿では,エージェントモデルの生産パイプラインを最適化する基盤インフラであるエージェント学習エコシステム(ALE)を紹介する。 ALEは、重量最適化のためのトレーニング後のフレームワークであるROLL、軌道生成のためのサンドボックス環境マネージャであるROCK、効率的なコンテキストエンジニアリングのためのエージェントフレームワークであるiFlow CLIの3つのコンポーネントで構成されている。 ROMEはALEが基盤として100万件以上のトラジェクトリをトレーニングしたオープンソースエージェントです。
  論文  参考訳（メタデータ） (2025-12-31T14:03:39Z)
• Leveraging Discrete Function Decomposability for Scientific Design [48.365465744654365]
  AI駆動の科学とエンジニアリングの時代、私たちはしばしば、ユーザが指定したプロパティに従って、サイリコでオブジェクトを設計したいと考えています。 例えば、ターゲットを結合するタンパク質を設計したり、遅延を最小限にするために回路内のコンポーネントを配置したり、特定の特性を持つ材料を見つけたりしたいかもしれません。 本稿では,新しい分散最適化アルゴリズムであるDADO(De-Aware Distributional Optimization)を提案する。
  論文  参考訳（メタデータ） (2025-11-04T21:57:51Z)
• SOCRATES: Simulation Optimization with Correlated Replicas and Adaptive Trajectory Evaluations [25.18297372152296]
  SOCRATESは、調整されたSOアルゴリズムの設計を自動化する新しい2段階のプロシージャである。 実システムのデジタルレプリカのアンサンブルは、ベースラインSOアルゴリズムのセットを評価するテストベッドとして使用される。 LLMはメタ最適化器として機能し、これらのアルゴリズムのパフォーマンストラジェクトリを分析して、最終的なハイブリッド最適化スケジュールを反復的に修正し構成する。
  論文  参考訳（メタデータ） (2025-11-01T19:57:38Z)
• REASONING COMPILER: LLM-Guided Optimizations for Efficient Model Serving [6.19179006129561]
  本稿では,逐次的かつコンテキスト対応な意思決定プロセスとして最適化を定式化する,新しいコンパイルフレームワーク(Dubbed Reasoning)を提案する。 提案手法は,LLM誘導推論がコンパイラ最適化のランドスケープを変革する可能性を示す。
  論文  参考訳（メタデータ） (2025-06-02T07:02:46Z)
• Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
  低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。 既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。 提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
  論文  参考訳（メタデータ） (2023-07-08T15:41:48Z)
• Optimization for truss design using Bayesian optimization [1.5070398746522742]
  トラスの形状は、積載量を決定する上で支配的な要素である。 与えられたパラメータ空間において、我々のゴールは、負荷を持つ容量を最大化し、誘起ストレスに屈しない船体のパラメータを見つけることである。 設計評価のための計算コストの高い設計解析ツールである有限要素解析に頼っている。
  論文  参考訳（メタデータ） (2023-05-27T10:28:27Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)

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。