論文の概要: What Transfers Across Protein Pockets? Experience Reuse in Molecular Optimization for Agentic Structure-Based Drug Design
- arxiv url: http://arxiv.org/abs/2610.32620v1
- Date: Fri, 23 Oct 2026 13:38:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.529876
- Title: What Transfers Across Protein Pockets? Experience Reuse in Molecular Optimization for Agentic Structure-Based Drug Design
- Title（参考訳）: タンパク質ポケット間の物質移動 : エージェント構造に基づく医薬品設計のための分子最適化における経験的再利用
- Abstract要約: LLMエージェントは、タンパク質ポケットをステップごとに編集し、編集ごとにドッキングすることで最適化する。
最近のエージェントは、まず、コントロールされた編集で複合体を探索する余分なドッキングに費やしている。
プローブは生成したインスタンスで破棄されるので、明らかな次のステップは、それらをエクスペリエンスベースに保持することだ。
- 参考スコア（独自算出の注目度）: 15.697564598284833
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: LLM agents optimize a ligand in a protein pocket by editing it step by step and docking each edit. Recent agents first spend extra dockings probing the complex with controlled edits; guidance induced from these probes is reported to help more than the chemical knowledge the model already carries. The probes are then discarded with the instance that produced them, so the obvious next step is to keep them in an experience base, letting a new pocket inherit what earlier ones already paid for. Such a base is read through a \emph{key}: the record properties under which past edits are pooled and a new one is looked up. Using the full log of one such run over the CrossDocked2020 test-set pockets, we ask whether its keys recur on a pocket the base has never seen and still separate improving from worsening edits. \crchange{Using} the contacts at the site being edited, the action, and the round as \crchange{a} key, the base separates them sharply. Within our analysis, this separation is largely explained by how much the edit changed the molecule's size, the action, and the round, none of which describes the target. That is not because the target is irrelevant: naming it outright separates them several times more sharply. For a pocket absent from the base, transfer must rely on a description rather than its identity. Among the exact-match descriptions we evaluate, the more specific ones rarely recur, whereas the coarser ones provide little separation; the signals that do transfer primarily describe the edit and the molecule it produced rather than the target. Under the representations and lookup scheme studied here, an experience base may be more useful for prioritizing an agent's own proposals for docking than for directly prescribing what to build.
- Abstract（参考訳）: LLMエージェントは、タンパク質ポケット内のリガンドを段階的に編集し、各編集をドッキングすることで最適化する。
最近のエージェントは、まず、制御された編集で複合体を探索する余分なドッキングに費やし、これらのプローブから誘導される誘導は、モデルが既に持っている化学的な知識以上の助けになると報告されている。
プローブはそれを生成したインスタンスで破棄されるので、次の明らかに次のステップは、それらをエクスペリエンスベースに保ち、新しいポケットが既に支払ったものを継承することです。
このようなベースは \emph{key} を通じて読み込まれる: 過去の編集がプールされ、新しい編集が参照されるレコードプロパティ。
ここでは,CrossDocked2020テストセットポケット上で実行されるテストセットの完全なログを用いて,そのキーが,ベースがこれまで見たことのないポケットに再帰するかどうかを問うとともに,編集の悪化から改善を分離する。
\crchange{Using} 編集されているサイトの連絡先、アクション、ラウンドを \crchange{a} キーとして、ベースがそれらを鋭く分離する。
私たちの分析では、この分離は、編集が分子のサイズ、作用、ラウンドをどの程度変えたかによって大きく説明されています。
これは、ターゲットが無関係であるからではない。
基地から欠落したポケットの場合、転送はアイデンティティではなく記述に依存する必要がある。
私たちが評価した正確なマッチの記述の中で、より具体的なものはほとんど再帰しないが、粗いものはほとんど分離しない。
ここで研究された表現とルックアップスキームの下では、体験ベースは、何を構築するかを直接規定するよりも、ドッキングのためのエージェント自身の提案を優先順位付けするのに有用である。
関連論文リスト
- Rewired or Gated? How Instruction Tuning Shapes Knowledge-Conflict Circuits in LLMs [0.0]
チューニングはモデルをパラメトリックメモリにシフトさせ、インストラクションモデルがベースメモリよりもはるかに正確な反ファクトコンテキストを拒否する。
したがって、命令チューニングがテラスインジェクションに対して持つロバスト性は本物だが狭くなっている。
コンフリクト回路は再構築されるのではなく保存されているため、ベースモデル上でキャリブレーションされた解釈可能性と制御ツールは、配置されたインストラクション兄弟に直接転送されるべきである。
論文 参考訳（メタデータ） (2026-09-22T02:49:16Z) - RRSI: Regularized Recursive Self-Improvement of Agent Harnesses [76.77275934611428]
正規化再帰的自己改善型エージェント・ハーネス(RRSI)
本稿では、正規化の原則を取り入れたRRSIを紹介し、進化候補の提案と選択を制約することで自己改善を活用する。
RRSIは5つのアウト・オブ・ディストリビューション・ベンチマークで14.1ポイント、最大4.7ポイントを獲得し、非正規化進化よりも30%少ないポリシートークンで動作するハーネスを生産している。
論文 参考訳（メタデータ） (2026-09-21T17:54:49Z) - Agentic Skill Optimization over Lie Algebroids [1.3295383263113112]
本稿では,Lie Algebroid SKill Optimization のための LASKO と呼ばれる新しいスキル最適化フレームワークを提案する。
LASKOモデルはタイプされ、Markdownスキルを基本カテゴリとしてアンカーし、編集ポリシーをコントロールされたLie algebroidのセクションとして利用できる。
本論文で示すように、LASKOは、大規模な言語モデルの実行を必要とする高価な検証に投資する前に、マイクロ秒で実行される安価なLie-bracketスクリーニングテストに代えて、前回のベンチマーク結果において、スキル最適化のオーダー・オブ・マグニチュード・スピードアップを実現している。
論文 参考訳（メタデータ） (2026-07-13T12:48:09Z) - On the Design Space of Discrete Diffusion Online Adaptation for Molecular Optimization [55.27368653669229]
分子最適化は、しばしば、有効な分子構造よりも広い事前をキャプチャする事前訓練された生成モデルから始まる。
離散拡散モデルに対する適応問題について検討する。
獲得、報酬形成、モデル脱バイアスは、特に小さな分子に対して、より高い報酬を得るための補完的な経路を提供する。
論文 参考訳（メタデータ） (2026-07-03T00:06:31Z) - Probe Before You Edit: Probing-Guided Molecular Optimization for LLM Agents in Structure-Based Drug Design [15.697564598284833]
2つの診断基準は、単一の編集が両方の目的をいかに改善するかを測定する。
これらのメトリクスを現在のLLMエージェントパイプラインに適用すると、一貫した障害モードが公開される。
編集応答型探索をベースとした最適化フレームワークである textbfPROBE を提案する。
論文 参考訳（メタデータ） (2026-05-30T06:06:51Z) - The Anatomy of an Edit: Mechanism-Guided Activation Steering for Knowledge Editing [52.315369633116255]
大規模言語モデル(LLM)は知識ベースとしてますます使われているが、それらを最新の状態に保つには、目標とする知識編集(KE)が必要である。
ニューロンレベルの知識属性(NLKA)を用いたKEの力学的考察
代表的KE法全体にわたって、我々は一貫したパターンを見出す: ミッド・トゥ・レイト・アテンションは、主に新しいターゲットを促進するが、アテンションとFFNモジュールは、元の事実を抑えるために協力する。
本研究の目的は,MEGA(Mechanism-Guided Activation steering method)を提案することである。
論文 参考訳（メタデータ） (2026-03-21T12:40:15Z) - MEMOIR: Lifelong Model Editing with Minimal Overwrite and Informed Retention for LLMs [76.28901550926021]
寿命の長いモデル編集のための既存の方法は、妥協の一般化、過去の編集の妨害、長い編集シーケンスへのスケールの失敗である。
我々は,学習済みモデルのコア能力を保ちながら,残メモリを介して知識を注入する,新しいスケーラブルなフレームワークMEMOIRを提案する。
MeMOIRは信頼性、一般化、ローカリティのメトリクスにまたがる最先端のパフォーマンスを実現し、最小限の忘れ物で数千のシーケンシャルな編集にスケールする。
論文 参考訳（メタデータ） (2025-06-09T16:16:42Z) - Stealth edits to large language models [76.53356051271014]
モデルの編集可能性を評価するために、1つのメトリックを使用できることを示す。
また、ステルス攻撃に対する言語モデルの脆弱性を明らかにします。
論文 参考訳（メタデータ） (2024-06-18T14:43:18Z) - SCREWS: A Modular Framework for Reasoning with Revisions [58.698199183147935]
我々は、リビジョンを伴う推論のためのモジュラーフレームワークであるSCREWSを紹介する。
我々は、SCREWSが、共通のフレームワークの下で、いくつかの以前のアプローチを統合することを示す。
我々は,多種多様な推論タスクに基づいて,最先端のLCMを用いてフレームワークの評価を行った。
論文 参考訳（メタデータ） (2023-09-20T15:59:54Z) - Editing Common Sense in Transformers [8.65582656677927]
Transformerでモデルパラメータを直接編集することで、再トレーニングすることなく、オープンソーストランスフォーマーベースのモデルの更新が可能になる。
複数の正しい答えを持つ常識知識、例えばリンゴは緑でも赤でも透明ではないが透明ではない)は研究されていないが、トランスフォーマーの信頼性と有用性を高めるのに必須である。
我々は,MEMIT編集アルゴリズムを直接適用することにより,サブパー性能が向上し,編集トークンの変化によりコモンセンス領域での性能が向上することが見いだされた。
論文 参考訳（メタデータ） (2023-05-24T09:50:54Z)
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。