論文の概要: APOD: reasoning-guided agentic population ordinary differential equation discovery for pharmacological digital twins

• arxiv url: http://arxiv.org/abs/2610.06227v1
• Date: Mon, 05 Oct 2026 12:33:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 17:42:38.355537
• Title: APOD: reasoning-guided agentic population ordinary differential equation discovery for pharmacological digital twins
• Title（参考訳）: APOD:薬理学的デジタル双生児に対する推論誘導剤群常微分方程式の発見
• Abstract要約: APOD(Agentic Population ODE Discovery)は、生物学的知識を反復的に考慮し、オープンな検索空間に適合する言語モデルエージェントである。 94-100%のランニングで地下構造を復元し、ライブラリーベースの検索よりも中央値で12倍速くした。 第一サイクルデータから血小板減少を予測する放射線リガンド療法による血小板動態のPDTを提案した。
• 参考スコア（独自算出の注目度）: 30.5491665195957
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Establishing ordinary differential equations (ODEs) describing population data is a fundamental part of mathematical modeling in pharmacology, crucial to developing digital twins. However, doing so from sparse, noisy data is a slow, expert-driven task. Existing automated methods either search a restricted model space or ignore population inter-individual variability. Here we introduce APOD (Agentic Population ODE Discovery), a language-model agent that iteratively reasons over biological knowledge and fit diagnostics in an open-ended search space to discover a population digital twin (PDT), i.e., a shared ODE system with between-subject variability. On synthetic pharmacokinetic and tumor-dynamics benchmarks, APOD recovered ground-truth structures in 94-100\% of runs, 12-fold faster in median than an established library-based search. On real cohorts it converged to valid structures, and proposed a PDT of radioligand-therapy-induced platelet dynamics that predicts thrombocytopenia from first-cycle data and simulates alternative dosing schedules that lower the predicted risk of toxicity.
• Abstract（参考訳）: 人口データを記述する通常の微分方程式(ODE)を確立することは、薬理学における数学的モデリングの基本的な部分であり、デジタル双生児の開発に不可欠である。 しかし、疎結合でノイズの多いデータは、遅くて専門家主導のタスクである。 既存の自動手法は、制限されたモデル空間を探索するか、個体間変動を無視する。 本稿では,生物知識を反復的に理由づけた言語モデルエージェントであるAPOD(Agentic Population ODE Discovery)を紹介する。 人工薬物動態と腫瘍力学のベンチマークでは,APODは94-100\%のランで接地構造を復元し,ライブラリーベースの検索よりも中央値で12倍の速度で検索した。 実際のコホートでは有効な構造に収束し、第1サイクルのデータから血小板減少を予測し、毒性の予測リスクを下げる代替の投与スケジュールをシミュレートする放射性リガンドによる血小板動態のPDTを提案した。

関連論文リスト

• LLM-Guided ODE Discovery and Parameter Inference from Small-Cohort Aggregate Data [3.6108652111867623]
  常微分方程式(ODE)による力学モデリングは、複素力学の解釈可能な記述を提供する。 稀な疾患では、モデルの構造とパラメータは一般的に不明であるが、個々のレベルのデータは少ない。 我々は、このギャップに対処するエンドツーエンドのフレームワークであるAgentODEを紹介します。
  論文  参考訳（メタデータ） (2026-07-01T10:17:46Z)
• Conditional Neural ODE for Longitudinal Parkinson's Disease Progression Forecasting [51.906871559732245]
  パーキンソン病(PD)は異質で進化する脳形態計測パターンを示す。 これらの縦方向の軌跡をモデル化することで、機械的な洞察、治療の発展、そして個別化された「デジタルツイン」予測が可能になる。 連続的な個人化されたPD進行予測のための新しいフレームワークであるCNODEを提案する。
  論文  参考訳（メタデータ） (2025-11-06T20:16:33Z)
• Counterfactual Probabilistic Diffusion with Expert Models [44.96279296893773]
  本稿では,不完全な専門家モデルからのガイダンスを取り入れた時系列拡散に基づくフレームワークを提案する。 我々の方法であるODE-Diffは、機械的およびデータ駆動的なアプローチをブリッジし、より信頼性が高く解釈可能な因果推論を可能にする。
  論文  参考訳（メタデータ） (2025-08-18T20:44:32Z)
• Graph Neural Network Surrogates to leverage Mechanistic Expert Knowledge towards Reliable and Immediate Pandemic Response [39.146761527401424]
  我々は,空間的および階層的に解決された機械的メタポピュレーションシミュレータのグラフニューラルネットワーク(GNN)サロゲートを開発する。 提案手法は, 力学モデルと比較して最大28,670倍の速さで評価を行う。 結果は、GNNが複雑なメタポピュレーションモデルをパンデミック反応の即時かつ信頼性の高いツールに変換する方法を示している。
  論文  参考訳（メタデータ） (2024-11-10T15:54:09Z)
• Inpainting Pathology in Lumbar Spine MRI with Latent Diffusion [4.410798232767917]
  病理組織学的特徴をMRIで健全な解剖学的特徴に塗布する効率的な方法を提案する。 腰椎椎間板ヘルニアと中心管狭窄に対し,T2 MRIにて椎間板ヘルニアを挿入する能力について検討した。
  論文  参考訳（メタデータ） (2024-06-04T16:47:47Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
  ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。 本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
  論文  参考訳（メタデータ） (2023-06-24T17:01:51Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)

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。