論文の概要: AutoNovo: Agentic Program Search Discovers Transferable Nucleic Acid Design Algorithms

• arxiv url: http://arxiv.org/abs/2610.16232v1
• Date: Mon, 12 Oct 2026 06:08:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.316504
• Title: AutoNovo: Agentic Program Search Discovers Transferable Nucleic Acid Design Algorithms
• Title（参考訳）: AutoNovo: エージェントプログラム検索でトランスファー可能な核酸設計アルゴリズムが発見
• Abstract要約: 核酸のシリカ内最適化は、生物学的機能を不完全に捉える予測オラクルに依存している。 近年の研究では、すべてのデザイナが独立モデルに対して等しく一般化しているわけではないことが示されている。 我々はエージェントプログラム検索を用いて核酸設計者のためのコードを反復的に提案し、実行し、評価し、修正する。
• 参考スコア（独自算出の注目度）: 12.306205384657282
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In-silico optimization of nucleic acids relies on predictive oracles that imperfectly capture biological function, so sequences optimized against one model may exploit model-specific artifacts and fail to generalize to independent models. Recent studies have shown that not all designers generalize equally well to independent models. In this work, we use agentic program search to iteratively propose, execute, evaluate, and revise code for nucleic-acid designers. We describe the successful strategies used to prompt the search. AutoNovo designers achieved the best observed mean among the evaluated methods on 3/3 DNA-design tasks in terms of in-silico performance, and 6/6 transfer tasks in terms of independent models. The designers come from a family of discovered nucleic acid designers rather than a single universal best designer. We plan to release the resulting designers. These results are the first steps in creating nucleic acid designers that maximize cross-model generalization, and thus improving the odds that in-silico designed sequences reflect real biology.
• Abstract（参考訳）: 核酸のシリカ内最適化は、生物学的機能を不完全に捕捉する予測オラクルに依存しているため、あるモデルに最適化されたシーケンスは、モデル固有のアーティファクトを活用でき、独立したモデルに一般化できない可能性がある。 近年の研究では、すべてのデザイナが独立モデルに対して等しく一般化しているわけではないことが示されている。 本研究では,エージェントプログラム検索を用いて核酸設計者のためのコードを反復的に提案し,実行し,評価し,修正する。 検索の促進に使われた戦略について述べる。 AutoNovoのデザイナは,3/3のDNA設計タスクの独立モデルにおける6/6のトランスファータスクにおいて,最もよく観察された平均値を達成した。 デザイナーは、単一の普遍的ベストデザイナーではなく、発見された核酸デザイナーのファミリーから来ている。 結果のデザイナをリリースする予定です。 これらの結果は、クロスモデル一般化を最大化する核酸デザイナを作るための最初のステップであり、それによって、シリコンで設計されたシーケンスが実際の生物学を反映する確率を改善する。

関連論文リスト

• SimpleDesign: A Joint Model for Protein Sequence and Structure Codesign [53.93453139057735]
  データ空間で直接訓練された効果的なマルチモーダルタンパク質設計モデルであるSimpleDesignを提案する。 2M以上のシーケンス構造ペア上でSimpleDesignをトレーニングし、共設計および非条件シーケンス/構造生成ベンチマーク間で強力なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-09-03T05:25:05Z)
• Guided Sequence-Structure Generative Modeling for Iterative Antibody Optimization [1.979371144736248]
  治療的抗体候補は、臨床開発前に重要な機能および開発性を改善するために広範囲なエンジニアリングを必要とすることが多い。 これは反復設計によって達成され、開始分子はin vitro実験のいくつかのラウンドで最適化される。 本稿では, 配列と構造を両立させた反復的抗体最適化法と, 結合性および開発性の測定値の蓄積手法を提案する。
  論文  参考訳（メタデータ） (2025-09-19T19:03:37Z)
• Chemist-aligned retrosynthesis by ensembling diverse inductive bias models [5.47805641978534]
  RetroChimeraは、相補的誘導バイアスを持つ2つの新たに開発されたコンポーネント上に構築されたフロンティア再合成モデルである。 トレーニングデータの外部で堅牢性を実証し、主要なモデルを大きなマージンで上回ります。 また、大手製薬会社から内部データセットへのゼロショット転送を実証する。
  論文  参考訳（メタデータ） (2024-12-06T18:55:19Z)
• Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
  大規模なニューラルネットワークは予測タスクに優れるが、タンパク質工学や材料発見といった設計問題への応用には、オフラインモデルベース最適化(MBO)の問題を解決する必要がある。 機能的グラフィカルモデル(FGM)を用いてブラックボックス関数の構造を学習するトランスフォーマーベースのアーキテクチャであるCliqueformerを提案する。 化学および遺伝子設計タスクを含む様々な領域において、Cliqueformerは既存の方法よりも優れた性能を示している。
  論文  参考訳（メタデータ） (2024-10-17T00:35:47Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• Representation Learning for Sequential Volumetric Design Tasks [11.702880690338677]
  本稿では,設計知識を専門家や高性能な設計シーケンスの集合から符号化することを提案する。 学習した表現の密度を推定して選好モデルを開発する。 逐次設計生成のための自己回帰変換モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-05T21:21:06Z)
• Investigating Positive and Negative Qualities of Human-in-the-Loop Optimization for Designing Interaction Techniques [55.492211642128446]
  設計者は、与えられた目的の集合を最大化する設計パラメータの組み合わせを見つけるよう求められる設計最適化タスクに苦労すると言われている。 モデルベースの計算設計アルゴリズムは、設計中に設計例を生成することでデザイナを支援する。 一方、補助のためのブラックボックスメソッドは、あらゆる設計問題に対処できる。
  論文  参考訳（メタデータ） (2022-04-15T20:40:43Z)
• Improving RNA Secondary Structure Design using Deep Reinforcement Learning [69.63971634605797]
  本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。 本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
  論文  参考訳（メタデータ） (2021-11-05T02:54:06Z)
• Rethinking Generalization of Neural Models: A Named Entity Recognition Case Study [81.11161697133095]
  NERタスクをテストベッドとして、異なる視点から既存モデルの一般化挙動を分析する。 詳細な分析による実験は、既存のニューラルNERモデルのボトルネックを診断する。 本論文の副産物として,最近のNER論文の包括的要約を含むプロジェクトをオープンソース化した。
  論文  参考訳（メタデータ） (2020-01-12T04:33:53Z)

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。