論文の概要: MADDIE: Multi-Agent Drug Discovery Engine

• arxiv url: http://arxiv.org/abs/2610.16975v2
• Date: Tue, 20 Oct 2026 14:42:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.193277
• Title: MADDIE: Multi-Agent Drug Discovery Engine
• Title（参考訳）: MADDIE:マルチエージェントドラッグ発見エンジン
• Abstract要約: マルチエージェントドラッグ発見エンジンMADDIEについて紹介する。 中央のエージェント、Orchestrator、およびHitIdentifier、Leadr、Synthesizer、Evaluatorの4つの特別なワーカーエージェントで構成されている。 50以上のタンパク質標的に対して、MADDIEは重要な性質と合成経路を満たす分子を産生する。 分析の結果、これらのエージェントがどのように協力し、MADDIEはキャンペーンの目標を達成するために目標をまたいで異なる戦略を採ることができることが明らかとなった。
• 参考スコア（独自算出の注目度）: 10.82462017187463
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drug discovery remains a resource-intensive and time-consuming process, involving billions of dollars and a decade of development to advance a drug to market. While many in silico tools have accelerated this process, operating them still demands substantial time, effort, and expertise from medicinal chemists. Autonomous systems built on Large Language Models (LLMs) have emerged as a promising solution, yet current designs limit their performance. Existing single-agent systems scale poorly to long-horizon, multi-step, and realistic tasks, whereas multi-agent systems typically execute predefined workflows that cannot capture the iterative, non-linear nature of a real drug discovery campaign. Here, we present MADDIE, a multi-agent drug discovery engine. It comprises a central agent, Orchestrator, and four specialized worker agents: HitIdentifier, LeadOptimizer, Synthesizer, and Evaluator, each representing a critical step in a drug discovery campaign. Under Orchestrator's orchestration and coordination, these worker agents are composed into flexible workflows, enabling MADDIE to adapt its strategy and navigate the drug discovery pipeline end-to-end. Across 50 protein targets, MADDIE produces molecules satisfying key property requirements and their synthesis routes, outperforming existing agentic systems, generative models, and general-purpose LLMs by a wide margin. Our analysis reveals how these agents collaborate and that MADDIE can employ different strategies across targets to achieve the campaign's goal, while still being efficient in time and tokens. Together, they demonstrate MADDIE as a low-cost, effective, and efficient autonomous engine for accelerating drug discovery. Code and dataset is available via https://github.com/ninglab/MADDIE.
• Abstract（参考訳）: 医薬品の発見は資源集約的で時間を要するプロセスであり、医薬品を市場に出すための数十億ドルと10年の開発が伴う。 サイリコの道具の多くはこの過程を加速させてきたが、その操作には薬理学者からかなりの時間、労力、専門知識が必要である。 LLM(Large Language Models)上に構築された自律システムは,将来性のあるソリューションとして登場したが,現在の設計ではパフォーマンスが制限されている。 既存の単一エージェントシステムは、長い水平、多段階、現実的なタスクに不十分にスケールする一方、マルチエージェントシステムは、実際のドラッグ発見キャンペーンの反復的で非線形の性質を捉えない事前定義されたワークフローを実行するのが一般的である。 本稿では,マルチエージェントドラッグ発見エンジンMADDIEについて紹介する。 中央のエージェント、Orchestrator、およびHitIdentifier、LeadOptimizer、Synthesizer、Evaluatorの4つの特殊労働者エージェントで構成されており、それぞれが薬物発見キャンペーンにおける重要なステップを表している。 Orchestratorのオーケストレーションと調整の下で、これらのワーカーエージェントは柔軟なワークフローで構成されており、MADDIEはその戦略に適応し、ドラッグ発見パイプラインをエンドツーエンドにナビゲートすることができる。 50以上のタンパク質標的に対して、MADDIEは重要な性質とそれらの合成経路を満たす分子を生成し、既存のエージェントシステム、生成モデル、汎用LSMを幅広いマージンで上回る。 我々の分析では、これらのエージェントがどのように協力し、MADDIEはキャンペーンの目標を達成するために、時間とトークンの効率を保ちながら、ターゲット間で異なる戦略を適用できるかを明らかにした。 共同で、MADDIEは、医薬品発見を加速するための低コストで効果的で効率的な自律エンジンであることを示した。 コードとデータセットはhttps://github.com/ninglab/MADDIE.comから入手できる。

関連論文リスト

• MolClaw: An Autonomous Agent with Hierarchical Skills for Drug Molecule Evaluation, Screening, and Optimization [33.79201734694036]
  MolClawは、薬物分子の評価、スクリーニング、最適化を導く自律エージェントである。 3階層の階層的スキルアーキテクチャを通じて、30以上の専門的なドメインリソースを統一する。 MolClawはすべてのメトリクスで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-04-02T09:27:36Z)
• CORAL: Towards Autonomous Multi-Agent Evolution for Open-Ended Discovery [67.47220507982522]
  大規模言語モデル(LLM)ベースの進化は、オープンな発見のための有望なアプローチである。 オープンエンド問題における自律的マルチエージェント進化のための最初のフレームワークであるCORALを紹介する。 コーラルは、厳格な制御を長期にわたるエージェントに置き換え、探索し、反射し、協力する。
  論文  参考訳（メタデータ） (2026-04-02T05:59:06Z)
• MedSAM-Agent: Empowering Interactive Medical Image Segmentation with Multi-turn Agentic Reinforcement Learning [53.37068897861388]
  MedSAM-Agentは、対話的なセグメンテーションを多段階の自律的な意思決定プロセスとして再構築するフレームワークである。 マルチターン・エンド・ツー・エンドの成果検証を統合した2段階のトレーニングパイプラインを開発した。 6つの医療モダリティと21のデータセットにわたる実験は、MedSAM-Agentが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-02-03T09:47:49Z)
• Democratizing Drug Discovery with an Orchestrated, Knowledge-Driven Multi-Agent Team for User-Guided Therapeutic Design [0.0]
  OrchestRAは、生物学、化学、薬理学を統一するマルチエージェントプラットフォームである。 静的コードジェネレータとは異なり、エージェントは積極的にシミュレーションを実行し、結果を反復的に最適化する。
  論文  参考訳（メタデータ） (2025-12-25T11:03:04Z)
• MADD: Multi-Agent Drug Discovery Orchestra [27.45459097009959]
  我々は、自然言語クエリからカスタマイズされたヒット識別パイプラインを構築し、実行するマルチエージェントシステムMADDを提案する。 我々は、AIファーストの薬物設計を5つの生物標的に適用し、同定されたヒット分子を放出するパイオニアである。
  論文  参考訳（メタデータ） (2025-11-11T13:20:35Z)
• DrugPilot: LLM-based Parameterized Reasoning Agent for Drug Discovery [54.79763887844838]
  大規模言語モデル(LLM)と自律エージェントの統合は、自動推論とタスク実行を通じて科学的発見を促進する大きな可能性を秘めている。 本稿では,薬物発見におけるエンドツーエンド科学のために設計されたパラメータ化推論アーキテクチャを備えたLSMベースのエージェントシステムであるDrarmPilotを紹介する。 DrugPilot は ReAct や LoT のような最先端のエージェントよりも優れており、タスク完了率は98.0%、93.5%、64.0%である。
  論文  参考訳（メタデータ） (2025-05-20T05:18:15Z)
• DrugAgent: Automating AI-aided Drug Discovery Programming through LLM Multi-Agent Collaboration [24.65716292347949]
  DrugAgentは、薬物発見タスクのための機械学習(ML)プログラミングを自動化するマルチエージェントフレームワークである。 以上の結果から,DragonAgentは最上位のベースラインを一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-11-24T03:06:59Z)
• EvoAgent: Towards Automatic Multi-Agent Generation via Evolutionary Algorithms [55.77492625524141]
  EvoAgentは、特殊エージェントをマルチエージェントシステムに自動的に拡張するジェネリックメソッドである。 EvoAgent は LLM エージェントのタスク解決能力を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-06-20T11:49:23Z)

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。