論文の概要: From Benchmark to Bench: Can Agents Survive Real-World Drug Discovery?

• arxiv url: http://arxiv.org/abs/2610.06411v1
• Date: Mon, 05 Oct 2026 14:28:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 08:35:21.374187
• Title: From Benchmark to Bench: Can Agents Survive Real-World Drug Discovery?
• Title（参考訳）: ベンチマークからベンチへ:エージェントは現実世界のドラッグ発見を救えるか?
• Abstract要約: エージェントシステムはますます分子設計ツールをコーディネートするが、スタックのどの層が実際のプロジェクトの結果を制限するかは不明である。 我々はMAGIを開発した。MAGIはオープンなモジュラーエージェントで、目的を記述し、最適化を起動し、監視し、構造-活動関係を解釈し、その戦略を改訂する。 3つの製薬会社による9つの振り返りリード最適化キャンペーンでテストしました。
• 参考スコア（独自算出の注目度）: 39.8090786203386
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agentic systems increasingly coordinate molecular-design tools, but it is unclear which layer of the stack limits outcomes on real projects. We developed MAGI, an open modular agent that authors objectives, launches and monitors optimization, interprets structure--activity relationships, and revises its strategy accordingly. MAGI generates molecules either directly through the LLM or by delegating to REINVENT 4, with scoring services interchangeable behind a common contract. We tested it across nine retrospective lead-optimization campaigns from three pharmaceutical companies, replayed under fixed temporal cutoffs. Both routes produced valid structures: LLM proposals stayed closer to local chemistry and reached comparable or higher primary activity in fewer operations, whereas REINVENT explored broader chemical space. Whether a campaign met its objective depended on the predictive models, not on the generation route: attainment followed model accuracy on the chemistry proposed, dropping once that chemistry moved outside the model's applicability domain. Separately, a blinded evaluation asked whether the MAGI's output could pass as expert work: chemists were not able to discriminate agentic proposals from held-out compounds, and judged the SAR reasoning broadly plausible yet incomplete. Together, these results position MAGI as a coordination layer pluggable into existing computational chemistry workflows. The ceiling on real projects, however, remains currently set by scorer applicability rather than by tool orchestration.
• Abstract（参考訳）: エージェントシステムはますます分子設計ツールをコーディネートするが、スタックのどの層が実際のプロジェクトの結果を制限するかは不明である。 我々はMAGIを開発した。MAGIはオープンなモジュラーエージェントで、目的を記述し、最適化を起動し、監視し、構造-活動関係を解釈し、その戦略を改訂する。 MAGIは、LLMを介して直接またはREINVENT 4に委譲することで分子を生成する。 3つの製薬会社による9つの振り返りリード最適化キャンペーンでテストし、時間的カットオフの下でリプレイしました。 どちらのルートも有効な構造を生み出した: LLMの提案は局所化学に近づき、より少ない操作で同等か高い一次活性に達したが、ReINVENTはより広い化学空間を探索した。 キャンペーンが目的を達成したかどうかは、生成経路ではなく予測モデルに依存した: 達成は提案された化学の精度に追従し、化学がモデルの適用範囲外に移動した後に減少する。 化学者は薬品の提案を保留化合物から区別することができず、SARの推論は広くは不完全であると判断した。 これらの結果は、MAGIを既存の計算化学ワークフローにプラグイン可能な調整層として位置づける。 しかし、実際のプロジェクトの天井は現在、ツールオーケストレーションよりもスコアの適用性によって設定されている。

関連論文リスト

• Large language model agents accelerate inverse design of metal-organic frameworks for gas separation [23.696245113544524]
  我々は,MOFid空間におけるガス分離MOFの閉ループ逆設計のための大規模モデルエージェントであるLEMO Agentを提案する。 LEMO Agentは言語ベースの候補生成とMOFidの標準化、明示的な妥当性確認、トランスフォーマーベースのプロパティ予測、構造化されたデザインメモリ、マルチ島探索を結合する。
  論文  参考訳（メタデータ） (2026-07-12T04:18:36Z)
• My Chemical Harness: Evolutionary Molecular Design over Synthetic Pathways with Large Language Model Agents [2.0798270860482964]
  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。
  論文  参考訳（メタデータ） (2026-06-08T23:52:52Z)
• 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)
• Mozi: Governed Autonomy for Drug Discovery LLM Agents [21.429647382651677]
  依存度の高い医薬品パイプラインでは、自律的なエージェントがしばしば再現不可能な軌道へと漂流する。 我々は、生成AIの柔軟性と計算生物学の決定論的厳密さを橋渡しする二重層アーキテクチャであるMoziを紹介する。 モジの大規模化学空間をナビゲートし、強い毒性フィルターを強制し、シリカ候補において高い競争力を発揮する能力を示す。
  論文  参考訳（メタデータ） (2026-03-04T02:22:21Z)
• 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)
• 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)
• 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)
• ChemAgent: Self-updating Library in Large Language Models Improves Chemical Reasoning [64.2106664137118]
  ChemAgentは,大規模言語モデル(LLM)の性能向上を目的とした,新しいフレームワークである。 化学タスクをサブタスクに分解し、これらのサブタスクを将来のクエリに参照可能な構造化されたコレクションにコンパイルすることで開発される。 新しい問題を提示すると、ChemAgentは、私たちがメモリと呼ぶライブラリから関連する情報を検索し、精査する。
  論文  参考訳（メタデータ） (2025-01-11T17:10:30Z)

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。