論文の概要: DrugHarness: An Evolvable Agent Harness for Computational Drug Discovery

• arxiv url: http://arxiv.org/abs/2610.23791v1
• Date: Fri, 16 Oct 2026 17:20:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:08.035525
• Title: DrugHarness: An Evolvable Agent Harness for Computational Drug Discovery
• Title（参考訳）: ドラッグハーネス:計算ドラッグ発見のための進化可能なエージェントハーネス
• Abstract要約: DrugHarnessは、科学的実行と条件付きスキル誘導を結合した進化可能なエージェントである。 環境は80以上の科学活動、バイオメディカルリソース、タスク固有のコードを統合している。 ドラッグハーネスは、観察可能な適用性条件、推奨された行動、および証拠を支持する行動仮説を誘導する。
• 参考スコア（独自算出の注目度）: 34.560811133037966
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computational drug discovery requires agents to compose scientific operations and adapt to changing evidence and constraints. Here we introduce DrugHarness, an evolvable agent harness coupling composable scientific execution with conditional skill induction. Its environment integrates over 80 scientific operations, biomedical resources and task-specific code, preserving associations among candidates, results and artifacts. From execution trajectories and outcome feedback, DrugHarness induces action hypotheses with observable applicability conditions, recommended actions and supporting evidence. An independent review agent evaluates candidate skills derived from these hypotheses through source verification and, when needed, targeted execution trials. Admitted skills guide subsequent tasks and are revised through feedback. Evaluation on MolBench and SMDD-Bench demonstrates capabilities in molecular screening, optimization and constrained design. Without evolution, DrugHarness exceeds reported MolClaw-CC results by 10.8 percentage points in affinity-comparison accuracy and 55% in mean top-three active hits on MolBench. Retrospective evaluation on skill-development tasks shows that evolution increases Qwen's affinity-comparison accuracy from 62.2% to 81.1% and optimization success from 79.5% to 87.2%. In a prospective HPK1 study, DrugHarness achieves a more favorable median docking score than Biomni among system-specific candidates. A synthesized compound achieves a cellular IC50 of 14.19 nM, a 2.64-fold potency improvement over the best input reference, with activity competitive with two selected compounds designed by experienced medicinal chemists. These results support conditional skill evolution for scientific agents and demonstrate a workflow connecting computational drug design with experimental validation.
• Abstract（参考訳）: 計算的な薬物発見は、エージェントが科学的操作を構成し、証拠や制約の変更に適応する必要がある。 ここでは、構成可能な科学的実行と条件付きスキル誘導を結合した、進化可能なエージェントであるD薬ハーネスを紹介する。 環境は80以上の科学活動、バイオメディカルリソース、タスク固有のコードを統合し、候補者、結果、アーティファクトの関連を保存する。 実行軌跡と結果のフィードバックから、DrarmHarnessは、観測可能な適用性条件、推奨されたアクション、および証拠を支持するアクション仮説を誘導する。 独立レビューエージェントは、これらの仮説から導出される候補スキルを、ソース検証と必要に応じて、対象とする実行試行を通じて評価する。 許可されたスキルは、その後のタスクをガイドし、フィードバックを通じて修正する。 MolBenchとSMDD-Benchの評価は、分子スクリーニング、最適化、制約設計の能力を示す。 進化がなければ、MolClaw-CCの結果は10.8ポイント、Affinity-comparison の精度が55%、MollBench の55%を超えている。 スキル開発タスクのふりかえり評価により、Qwenの親和性比較の精度は62.2%から81.1%に向上し、最適化の成功は79.5%から87.2%に向上した。 HPK1の先進的な研究で、D薬ハーネスはシステム固有の候補の中で、Biomniよりも好適なドッキングスコアを達成している。 合成化合物は、最高の入力基準よりも2.64倍の有効性向上である14.19nMの細胞IC50を達成し、経験豊富な薬剤学者によって設計された2つの選択化合物と競合する。 これらの結果は、科学エージェントの条件付きスキル進化を支援し、計算薬物設計と実験的検証を結びつけるワークフローを実証する。

関連論文リスト

• AutoSciBench: Autonomous Benchmark Generation for Evaluating Scientific Agents [56.10249598693586]
  AutoSciBenchは、各タスクを、科学領域、データモダリティ、要求推論アプローチを指定する高レベルな概念として表現するフレームワークである。 エージェントはそれぞれのタスクを解決し、解決者トラジェクトリを生成し、AutoSciBenchがレシピやコンセプトを改訂するために使用している判断フィードバックに対応する。 計算生物学,材料科学,臨床画像におけるAutoSciBenchの評価を行った。
  論文  参考訳（メタデータ） (2026-10-04T11:40:11Z)
• FrontierChallenge: Evaluating Scientific Workflow Completion [59.601983661596286]
  私たちは300のエンドツーエンドの科学的成果物からなるクロスドメインベンチマークであるFrontierChallengeを紹介します。 量子化学、分子動力学、材料特性評価、分析化学、生命科学、電気化学・環境学にまたがる97の課題を公表し評価する。 高い部分的なスコアも自信のある完成のクレームも、科学的タスクが完全に納品されたことを確実に示さないことが分かりました。
  論文  参考訳（メタデータ） (2026-08-25T16:50:58Z)
• Bringing analytic rigor to agentic AI for science: The Brain Researcher platform for neuroimaging data analysis [59.44063760362954]
  本稿では、神経イメージング研究者の計算環境で動作するエージェントリサーチハーネスであるBrain Researcherを紹介する。 ベンチマークでは、Brain Researcherは7つのモデルで第1選択ツールの選択精度を70.2ポイント向上させた。 共同研究と自己進化研究において、多元的分析によって分析選択感度が明らかにされ、科学的レビューでは、承認された、認定された、修正された、ブロックされた、拒否された、または延期された。
  論文  参考訳（メタデータ） (2026-08-20T11:13:27Z)
• TxBench-PP: Analyzing AI Agent Performance on Small-Molecule Preclinical Pharmacology [0.0]
  人工知能(AI)エージェントは、解釈と意思決定ループを圧縮することで、薬物発見を加速することを約束する。 TherapeuticsBench Preclinical Phharmacology (TxBench-PP) を紹介する。 TxBench-PPは、エージェントが文献から記憶された事実ではなく、実世界のアッセイデータから正確な結論を回復できるかどうかをテストする。
  論文  参考訳（メタデータ） (2026-06-17T16:23:45Z)
• DispatchMAS: Fusing taxonomy and artificial intelligence agents for emergency medical services [49.70819009392778]
  大規模言語モデル (LLM) とマルチエージェントシステム (MAS) は、ディスパッチを増強する機会を提供する。 本研究の目的は,現実的なシナリオをシミュレートする分類基盤型マルチエージェントシステムの開発と評価である。
  論文  参考訳（メタデータ） (2025-10-24T08:01:21Z)
• DrugReasoner: Interpretable Drug Approval Prediction with a Reasoning-augmented Language Model [0.0]
  我々はLLaMAアーキテクチャ上に構築された推論に基づく大規模言語モデル(LLM)であるPaldrReasonerを提案する。 DrugReasonerは、構造的に類似した承認されていない化合物に対する比較推論と分子記述子を統合している。 AUCが0.732、F1が0.729、テストセットが0.725、0.718で堅牢な性能を達成した。
  論文  参考訳（メタデータ） (2025-08-26T01:14:14Z)
• 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)
• Preferential Multi-Objective Bayesian Optimization for Drug Discovery [13.740630847478453]
  CheapVSは、ペアワイズ比較による薬物特性間のトレードオフに関する好みを提供する。 EGFRとRDD2をターゲットにした100Kの化学候補のライブラリでは、CheapVSは限られた計算予算内での薬物の同定において最先端のスクリーニング方法より優れている。
  論文  参考訳（メタデータ） (2025-03-21T04:27:06Z)

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。