論文の概要: Can agents reliably design therapeutic antibodies?

• arxiv url: http://arxiv.org/abs/2611.00558v1
• Date: Sat, 31 Oct 2026 02:35:17 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:15:05.187864
• Title: Can agents reliably design therapeutic antibodies?
• Title（参考訳）: 薬剤は治療抗体を確実に設計できるのか?
• Abstract要約: 最近の研究は、特殊なツールのオーケストレーションや配列の直接操作を通じて、タンパク質設計を駆動するエージェントを実証している。 本研究は, 分子編集指示が明示された場合と, エージェントが事前に認識された配列のみを受信した場合と, 改善を提案するよう促される2つの条件の下で, エージェント抗体設計について検討する。
• 参考スコア（独自算出の注目度）: 0.38887448816036313
• License:
• Abstract: Recent work has demonstrated agents driving protein design workflows, either through orchestration of specialized tools or direct manipulation of sequences. Yet the fidelity with which agents follow protein design instructions and the factors contributing to their effectiveness remain understudied. We examine agentic antibody design under two settings: when explicit molecular-editing instructions are provided and when agents receive only previously-scored sequences and are prompted to propose improvements. We call the first task-guided and the second black-box design. For the task-guided setting, we curate ten expert-validated affinity-improvement tasks and show that LLM judges closely reproduce programmatic evaluations of instruction following. We then study two augmentations: access to antibody-relevant tools and to previously scored design history. Tools improve instruction following (IF) and sequence space exploration while reducing optimization performance, whereas design history reduces IF but improves optimization performance at the expense of exploration. Finally, we combine taskguided and black-box design within an in silico optimization loop and show that our agentic optimizer performs comparably to an established Bayesian optimization baseline.
• Abstract（参考訳）: 最近の研究は、特殊なツールのオーケストレーションやシーケンスの直接操作を通じて、タンパク質設計ワークフローを駆動するエージェントを実証している。 しかし、タンパク質設計の指示に従うエージェントの忠実さと、その効果に寄与する要因はいまだ検討されていない。 本研究は, 分子編集指示が明示された場合と, エージェントが事前に認識された配列のみを受信した場合と, 改善を提案するよう促される2つの条件の下で, エージェント抗体設計について検討する。 私たちは最初のタスク誘導と2番目のブラックボックスデザインを呼んでいます。 タスク誘導設定では,10名の専門家によるアフィニティ改善タスクをキュレートし,LLM審査員が後続の命令のプログラム的評価を忠実に再現することを示す。 次に、抗体関連ツールへのアクセスと、以前に得られた設計履歴の2つの拡張について研究する。 ツールは命令追従(IF)とシーケンス空間探索を改善し、最適化性能を低下させる一方、設計履歴はIFを低減させるが、探索を犠牲にして最適化性能を向上させる。 最後に,タスク誘導とブラックボックス設計をインシリコ最適化ループ内に組み合わせることで,エージェント最適化が確立したベイズ最適化ベースラインに適合して動作することを示す。

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)
• Masked Diffusion Language Agents for Tool-Integrated Chemical Reasoning [50.9331350849314]
  我々は、ツール統合化化学推論のための最初のマスク付き拡散言語エージェントであるChemDiffAgentを紹介する。 化学推論を、インターリーブド推論とツール使用軌跡に対する反復的記述として再構成する。 ChemDiffAgentは自己回帰剤を一貫して上回り、全体的な改善率は約20%である。
  論文  参考訳（メタデータ） (2026-10-09T10:07:37Z)
• A Closer Look at Agentic BBO: Benchmarking LLM Agents for Black-Box Optimization [23.208544074166223]
  ブラックボックス最適化(BBO)は、客観的評価が高価で制限されている多くの科学的・工学的な問題に現れる。 最近の大規模言語モデル(LLM)エージェントは、タスクのセマンティクス、計算、最適化ツール、フィードバックによる意思決定を組み合わせることで、BBOにアプローチする方法を提供する。 本稿では,合成関数,ハイパーパラメータ最適化,データベースチューニング,チップ設計,分子設計を対象とするエージェントBBOのクロスドメインベンチマークであるAgenticBBO-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-10-08T15:48:07Z)
• Agentic BAIM-LLM Evaluation (ABLE): Benchmarking LLM Use of Protein Design Tools [0.0]
  両用タンパク質設計において生体AIモデル(BAIM)を利用するLLMエージェントの能力を評価するためのベンチマークであるABLEを紹介する。 我々は15のフロンティアモデルを評価し、7つのモデルが全てのタスクを拒否するのに対し、残りのモデルでは性能差がかなり大きいことを発見した。 以上の結果から,現在のLLMはタンパク質設計の障壁を大幅に減らすことができるが,計画,戦略生成,生物知識のツール利用への統合には相容れないことが示唆された。
  論文  参考訳（メタデータ） (2026-09-05T02:28:21Z)
• The Optimizer Is the Agent: Reasoning-Driven Search across Prompts, Programs, and ML Workflows [72.9051182568928]
  推論駆動最適化のための統合フレームワークであるReASearchを提案する。 共有エージェントループとドメイン固有のツールにより、ReASearchは、プロンプト、プログラム、MLを最適化するために、まったく同じスキャフォールドをインスタンス化する。 我々は,複雑な探索行動がエージェントの推論プロセスから自然に現れることを観察する。
  論文  参考訳（メタデータ） (2026-08-07T02:15:39Z)
• TO-Agents: A Multi-Agent AI Pipeline for Preference-Guided Topology Optimization [6.670146926866281]
  我々は、自然言語設計意図と反復的トポロジ最適化を結びつけるマルチエージェントAIフレームワークTO-Agentsを提案する。 このフレームワークは、人間が提供する問題記述を検証されたソルバ入力に変換し、トポロジ最適化ソルバを実行し、結果の3Dトポロジをレンダリングする。 本研究では,カンチレバービームベンチマークと携帯電話対応製品設計という,長期にわたる2つの設計課題に関するフレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-05-20T18:32:56Z)
• Escher-Loop: Mutual Evolution by Closed-Loop Self-Referential Optimization [7.89766538351877]
  Escher-Loopは2つの異なる集団の進化を運用するフレームワークである。 Escher-Loopは静的なベースラインの性能天井を効果的に越え、絶対的な最高性能を達成する。 特筆すべきは、エージェントがハイパフォーマンスなタスクエージェントの要求に合うように戦略を動的に適応させることである。
  論文  参考訳（メタデータ） (2026-04-25T23:46:08Z)
• VeRO: An Evaluation Harness for Agents to Optimize Agents [5.227525836910522]
  我々は、バージョン管理されたエージェントスナップショット、予算管理された評価、構造化された実行トレースを備えた再現可能な評価手法であるVERO(Versioning, Rewards, Observations)を紹介する。 本研究では,ターゲットエージェントの比較実験を行い,どの修正がターゲットエージェントの性能を確実に向上させるか分析する。
  論文  参考訳（メタデータ） (2026-02-25T23:40:22Z)
• Agentic Predictor: Performance Prediction for Agentic Workflows via Multi-View Encoding [56.565200973244146]
  Agentic Predictorは、効率的なエージェントワークフロー評価のための軽量な予測器である。 Agentic Predictorはタスク成功率の近似を学ぶことで、最適なエージェントワークフロー構成の迅速かつ正確な選択を可能にする。
  論文  参考訳（メタデータ） (2025-05-26T09:46:50Z)
• On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
  エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。 推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。 本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
  論文  参考訳（メタデータ） (2025-04-02T17:40:47Z)
• Enhanced Bayesian Optimization via Preferential Modeling of Abstract Properties [49.351577714596544]
  本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。 優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
  論文  参考訳（メタデータ） (2024-02-27T09:23:13Z)

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。