論文の概要: Aptamers as a sandbox for lab-in-the-loop agentic molecular discovery

• arxiv url: http://arxiv.org/abs/2610.24806v1
• Date: Sat, 17 Oct 2026 18:21:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.271313
• Title: Aptamers as a sandbox for lab-in-the-loop agentic molecular discovery
• Title（参考訳）: イン・ザ・ループ・エージェント分子発見のためのサンドボックスとしてのアプタマー
• Abstract要約: 大規模言語モデル(LLM)ベースの推論エージェントは、実験データと反復することでデノボ発見を加速することができる。 ここでは、タンパク質結合型アプタマーの設計をサンドボックスとして使用し、AIシステムとのクローズドループでウェットラボを実証する。
• 参考スコア（独自算出の注目度）: 7.5022548868146055
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite breakthroughs in AI-driven molecular generation, existing discovery pipelines operate largely in silico, with wet-lab feedback reserved for validation rather than iterative improvement. Whether large language model (LLM)-based reasoning agents can accelerate de novo discovery by iterating with lab data remains unproven. Here we use protein-binding aptamer design as a sandbox (1-2 week cycles, \$1-\$3 per candidate) to demonstrate a wet lab in a closed loop with AI systems. We tasked agentic pipelines with developing aptamer binders against $α$-thrombin and myoglobin across three design-test-improve cycles ($\sim$1,000 candidates per round; $\sim$4,400 constructs). Statistically significant, bead-corrected on-target hit rates among new candidates rose across rounds from 0.0% in Round 1 to 26.0% in Round 2 and 42.1% in Round 3 on $α$-thrombin (37.1% excluding literature motif descendants), and from 10.2% in Round 1 to 3.7% in Round 2 and 33.5% in Round 3 on myoglobin. Single-clone bead-binding titrations of eight full-length $α$-thrombin candidates confirmed concordance with pooled sequencing enrichment (Pearson $r = 0.90$). In these assays, literature-derived motifs engineered by the agents to reduce off-target reactivity in the pooled screen reached apparent affinities of $K_D = 24.6$--$133$ nM, whereas de novo scaffolds showed low-micromolar binding ($K_D > 1\ μ$M). We also report how our pipelines used myoglobin binding data to exploit the G-quadruplex binder space, diagnose cross-reactivity as on-target specificity dropped from 75.0% to 19.1%, and recover by developing strategies that restored specificity to 72.4%. We demonstrate that empirical lab data is more valuable than existing computational proxies, showing how iterative experimental feedback enables AI agents to diagnose assay artifacts and refine molecular designs across rounds.
• Abstract（参考訳）: AI駆動の分子生成のブレークスルーにもかかわらず、既存の発見パイプラインはシリコで運用されており、反復的な改善ではなく、検証のためにウェットラブフィードバックが確保されている。 大規模言語モデル(LLM)に基づく推論エージェントが、実験データと反復することでデノボ発見を加速できるかどうかはまだ証明されていない。 ここでは、タンパク質結合型アプタマー設計をサンドボックス(1～2週間サイクル、1候補あたり1～3ドル)として使用し、AIシステムとのクローズドループでウェットラボを実証する。 エージェントパイプラインにアプタマーバインダーを3つの設計・テスト・インプロブサイクル(ラウンド当たり1,000ドル、ラウンド当たり4,400ドル)で、$α$-thrombin と myoglobin に対して開発させた。 統計的に有意な、ビーズ修正された新規候補者の目標ヒット率は、ラウンド1では0.0%、ラウンド2では26.0%、ラウンド3では42.1%、ラウンド3では$α$-thrombin(文学モチーフの子孫を除く37.1%)、ラウンド1では10.2%、ラウンド2では3.7%、ラウンド3では33.5%に上昇した。 8つの完全長の$α$-thrombin候補の単クローンビーズ結合試薬は、プール化シークエンシングエンリッチメント(Pearson $r = 0.90$)と一致した。 これらのアッセイでは、プールスクリーンにおけるオフターゲット反応性を減少させるために、エージェントによって作られた文学由来のモチーフが、K_D = 24.6$--133$nMという明らかな親和性に達し、デノボの足場は低マイクロモル結合(K_D > 1\ μ$M)を示した。 我々はまた、我々のパイプラインがミオグロビン結合データを用いてG-クアドルプレックスバインダー空間を利用、オンターゲット特異性が75.0%から19.1%に低下するにつれて相互反応性を診断し、特異性を72.4%に回復する戦略を考案したことを報告した。 我々は、実験室のデータが既存の計算プロキシよりも価値があることを実証し、反復的な実験的なフィードバックによってAIエージェントがアーティファクトを診断し、丸ごとの分子設計を洗練できることを示す。

関連論文リスト

• MADGRAV: a multilevel anomaly-detection pipeline for gravitational-wave searches applied to LIGO data [39.146761527401424]
  textbfMADGRAVは、高質量のコンパクトなバイナリコリゾネートをディープラーニングで検索する。 ハンフォードとリビングストンのLIGO検出器からのデータは、第2のQ変換窓によって研究されている。
  論文  参考訳（メタデータ） (2026-09-30T12:12:19Z)
• Persistent Semantic Entities in Tool-Augmented LLM Systems [3.556355987197792]
  ツール拡張されたLLMエージェントは、セッション間で持続する暗黙の状態を隠蔽し、イベントを通じてアクティベートし、エージェント境界を越えて伝搬する。 我々はこれをPSE(Persistent Semantic Entities)として定式化する。 11家系(1.5B--1Tパラメータ)から24モデルにわたって評価した。
  論文  参考訳（メタデータ） (2026-08-08T06:31:00Z)
• Agentic Discovery of Cryomicroneedle Formulations [4.138244144792088]
  低温保護剤発見のためのAI支援クローズドループワークフローを報告する。 培養した198個の間葉系幹細胞凍結保存製剤を21種類の成分に変換した。 もっとも有効な定式化は、DMSO、エクトイン、エチレングリコール、胎児のウシ血清で95.15%の生存率を達成した。
  論文  参考訳（メタデータ） (2026-05-19T11:09:46Z)
• Graph-Theoretic Models for the Prediction of Molecular Measurements [0.0]
  本研究は,MoneculeNetの5つのベンチマークデータセットのベースラインである$D(G)$-$(G)$モデルを評価する。 リッジ正規化、グラフ記述子の追加、物理化学的特性、グラディエントブースティングによるアンサンブル学習、ラッソ特徴選択、およびモーガン指紋と位相指標を組み合わせたハイブリッドアプローチを取り入れた体系的な拡張フレームワークが提案されている。
  論文  参考訳（メタデータ） (2026-04-21T09:27:55Z)
• Rhizome OS-1: Rhizome's Semi-Autonomous Operating System for Small Molecule Drug Discovery [5.067971847473898]
  Rhizome OS-1は、小さな分子の薬物発見のための半自動オペレーティングシステムである。 エージェントは、計算化学者、医薬化学者、特許エージェントとして機能する。 システムは分子グラフに直接新しい化学物質を生成する。
  論文  参考訳（メタデータ） (2026-04-08T18:49:08Z)
• Endless Terminals: Scaling RL Environments for Terminal Agents [39.60665149203152]
  Endless Terminalsは、人間のアノテーションを使わずに端末用タスクを手続き的に生成する、完全に自律的なパイプラインである。 我々は、バイナリエピソードレベルの報酬と最小の相互作用ループを持つバニラPPOを使用してエージェントを訓練する。 これらの改善は人為的なベンチマークに移行する。
  論文  参考訳（メタデータ） (2026-01-23T04:39:55Z)
• DrugRAG: Enhancing Pharmacy LLM Performance Through A Novel Retrieval-Augmented Generation Pipeline [4.750574899254107]
  141クエスト薬局データセットを用いて,11種類の既存大規模言語モデル (LLM) のパラメータサイズをベンチマークした。 我々は、3段階の検索拡張世代(RAG)パイプラインであるD薬RAGを開発し、検証された情報源から構造化された薬物知識を検索し、エビデンスベースの文脈で促進する。 DrugRAGは全テストモデルで精度を向上し、141-itemベンチマークでは7から21ポイント(Gemma 3 27B:61%から71%、Llama 3.1 8B:46%から67%)まで上昇した。
  論文  参考訳（メタデータ） (2025-12-16T20:19:23Z)
• Pearl: A Foundation Model for Placing Every Atom in the Right Location [52.35027831422145]
  タンパク質-リガンド共フォールディングの基礎モデルであるPearlを紹介した。 パールはタンパク質-リガンド結合における新しい最先端性能を確立している。 Pearlは、パブリックなRuns N' PosesとPoseBustersベンチマークでAlphaFold 3や他のオープンソースベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-10-28T17:36:51Z)
• Diffusion Soup: Model Merging for Text-to-Image Diffusion Models [90.01635703779183]
  シャードデータに基づいてトレーニングされた拡散モデルの重みを平均化する,テキスト・ツー・イメージ・ジェネレーションの複合化手法であるDiffusion Soupを提案する。 提案手法は,構築により,追加記憶や推論コストを伴わずに,無学習の連続学習とアンラーニングを可能にする。
  論文  参考訳（メタデータ） (2024-06-12T17:16:16Z)

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。