論文の概要: MoLRSI: A Recursive Self-Improving AI agent for Molecular Discovery

• arxiv url: http://arxiv.org/abs/2610.39714v1
• Date: Thu, 29 Oct 2026 09:46:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.071538
• Title: MoLRSI: A Recursive Self-Improving AI agent for Molecular Discovery
• Title（参考訳）: MoLRSI: 分子発見のための再帰的自己改善型AIエージェント
• Abstract要約: AIエージェントは、専門家が定義した分子設計プロトコルを自動化することができるが、自動化だけでは、新しいタスクの最適化や、経験を通じての開発を改善する方法に対処しない。 ここでは、モデルアーキテクチャの体系的最適化と永続的クロスタスクメモリを組み合わせたAIエージェントであるMoLRSIを紹介し、分子発見のための検索ポリシーを改善する。 競合する性質のバランスを必要とする2つの分子発見条件でMoLRSIを評価した。
• 参考スコア（独自算出の注目度）: 25.007042637034292
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecular discovery requires navigating vast combinatorial search spaces while balancing competing biological objectives. AI agents can automate expert-defined molecular design protocols, but automation alone does not address how to optimize workflows for new tasks or improve their development through experience. Here we introduce MoLRSI, an AI agent that combines systematic optimization of workflows and model architectures with persistent cross-task memory to recursively improve its search policy for molecular discovery. Workflow performance, refinement outcomes, and execution feedback guide subsequent searches, allowing the agent to improve both its workflows and its strategy for developing them. We evaluate MoLRSI in two challenging molecular discovery settings that require balancing competing properties. In antibiotic discovery, MoLRSI developed a screening workflow balancing antibacterial activity, cytotoxicity and structural novelty, achieving an experimental hit rate of 15.9%, compared with 8.7% for a previous expert-led workflow using the same training data and screening library. In de novo peptide-MHC binder design, MoLRSI developed workflows that jointly consider target binding and specificity, producing eight experimentally validated hits against MART-1 and SARS-CoV-1 pMHCs with preferential binding over tested off-targets while Claude Science completely failed. These findings demonstrate how experience-guided workflow optimization can address competing discovery objectives while improving the search strategies used in subsequent campaigns.
• Abstract（参考訳）: 分子発見は、競合する生物学的目的のバランスを保ちながら、膨大な組合せ探索空間をナビゲートする必要がある。 AIエージェントは、専門家が定義した分子設計プロトコルを自動化することができるが、自動化だけでは、新しいタスクのためのワークフローの最適化や、経験を通じての開発を改善する方法に対処しない。 ここでは、ワークフローとモデルアーキテクチャの体系的最適化と永続的なクロスタスクメモリを組み合わせたAIエージェントであるMoLRSIを紹介し、分子発見のための検索ポリシーを再帰的に改善する。 ワークフローのパフォーマンス、改善結果、実行フィードバックは、その後の検索をガイドし、エージェントはワークフローとそれを開発するための戦略の両方を改善することができる。 競合する性質のバランスを必要とする2つの分子発見条件でMoLRSIを評価した。 抗生物質の発見において、MoLRSIは抗菌活性、細胞毒性、構造的新規性のバランスをとるスクリーニングワークフローを開発し、15.9%のヒット率を達成した。 de novoペプチド-MHCバインダーの設計において、MoLRSIはターゲット結合と特異性を共同で検討するワークフローを開発し、試験対象外のターゲットに対して優先的な結合を持つMART-1とSARS-CoV-1 pMHCに対して8つの実験的に検証されたヒットを発生させた。 これらの結果は、経験誘導型ワークフロー最適化が競合する発見目標にどう対処できるかを示し、その後のキャンペーンで使用される検索戦略を改善した。

関連論文リスト

• HEMO: Harness Self-Evolution for Multi-Objective Combinatorial Optimization [64.21555594845748]
  自動演算子(AOD)は、多目的最適化(MOCO)のための問題固有の探索および変分演算子を生成するために、大規模言語モデル(LLM)をますます採用している。 HEMOを導入し,AODを自己進化的最適化目標とする。 Hemoは永続的なハーネス状態を維持し、一度に1つのモジュールを更新し、どのエクスペリエンスを取得するか、どのオペレータを改善するか、どの親が選択するか、検索ステップのオーケストレーションを定式化するかを決定するロジックを改訂する。
  論文  参考訳（メタデータ） (2026-10-29T13:32:00Z)
• Be Your Own Teacher: Steering Protein Language Models via Unsupervised Reward Optimization [85.4863852505905]
  タンパク質言語モデル(PLM)の教師なし報酬最適化を導入する。 我々の重要な洞察は、本質的なモデルの不確実性とタンパク質表現モデルによって誘導される意味的整合性を組み合わせたタスク非依存報酬は、ベースモデルと温度レギュレーションの制御可能性指標と強い相関を示すことである。 我々のフレームワークは、ラベル付けされた好みや実験的なフィードバックが不足したり、利用できないような環境で、制御可能な生体分子設計へのスケーラブルな経路を提供する。
  論文  参考訳（メタデータ） (2026-06-17T11:42:01Z)
• Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
  我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。 従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。 本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-10T06:30:19Z)
• 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)
• Associative Constructive Evolution: Enhancing Metaheuristics through Hebbian-Learned Generative Guidance [5.903044162596618]
  Associative Constructive Evolution(ACE)は、学習された生成誘導を通じてメタヒューリスティックスを強化するフレームワークである。 ACEはジェネレーティブ・コンストラクション・オートマトン(GCA)を導入している。 この協力を実現する3つのメカニズムは、共用操作の関連性を強化するヘビアン重み強化、学習された高品質領域への偏見を導いたサンプリング、再利用可能なマクロ操作に頻繁なパターンを抽出するシンボリック抽象化である。
  論文  参考訳（メタデータ） (2026-03-31T14:14:40Z)
• DrugR: Optimizing Molecular Drugs through LLM-based Explicit Reasoning [24.70952870676648]
  DrugRは、明示的で段階的な薬理学的推論を最適化プロセスに導入する、大きな言語モデルである。 提案手法は, ドメイン固有の事前学習, 逆データ工学による微調整, 自己バランス型多粒性強化学習を統合した。 実験結果から、Dr.Rは構造的類似性や標的結合親和性を損なうことなく、複数の特性を包括的に拡張できることが示された。
  論文  参考訳（メタデータ） (2026-02-09T02:26:25Z)
• 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)
• SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
  SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。 実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。 回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
  論文  参考訳（メタデータ） (2025-11-29T09:18:39Z)
• Optimizing Drug Design by Merging Generative AI With Active Learning Frameworks [2.6062146828550903]
  我々は、変分オートエンコーダとアクティブラーニングステップに基づいて、ジェネレーティブAI(GM)ワークフローを開発した。 デザインされたGMワークフローは、薬物の類似性、合成可能性、類似性、ドッキングスコアなどの分子メトリクスから反復的に学習する。 GMワークフローで推定される高親和性分子の割合は,トレーニングデータより有意に大きかった。
  論文  参考訳（メタデータ） (2023-05-04T13:25:14Z)

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。