論文の概要: DrugCoding: A Scientific Programming Agent for Drug Discovery
- arxiv url: http://arxiv.org/abs/2611.13651v2
- Date: Wed, 11 Nov 2026 09:26:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.906011
- Title: DrugCoding: A Scientific Programming Agent for Drug Discovery
- Title(参考訳): ドラッグコーディング:ドラッグ発見のための科学プログラミングエージェント
- Abstract要約: 薬物発見には、分子設計、特性予測、仮想スクリーニングなど、複数の相互接続された研究段階が含まれる。
既存の大規模言語モデル(LLM)ベースの科学エージェントは、複雑なタスクの自律的な計画において課題に直面している。
本稿では,科学的タスク計画,適応型モデルルーティング,マルチエージェントコラボレーション,プログラムツール実行を統合した,科学的プログラミングエージェントシステムであるDrarmCodingを提案する。
- 参考スコア(独自算出の注目度): 6.12884704081188
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Drug discovery involves multiple interconnected research stages, including molecular design, property prediction, and virtual screening. These processes are characterized by complex workflows, interdependent computational tasks, and diverse specialized tools, placing substantial demands on the coordination of scientific models and computational resources. However, existing large language model (LLM)-based scientific agents still face challenges in autonomous planning of complex tasks, adaptive selection of specialized models, and reliable execution of multi-stage scientific computations, limiting their effectiveness in automating complex drug discovery workflows. To address these challenges, we propose DrugCoding, a scientific programming agent system that integrates scientific task planning, adaptive model routing, multi-agent collaboration, and programmatic tool execution. DrugCoding enables autonomous task planning and dynamic model adaptation for complex research objectives. It can flexibly invoke specialized scientific models, autonomously generate and execute code according to task requirements, and leverage multi-agent collaboration to support efficient execution and reliable validation of complex scientific tasks. To evaluate DrugCoding's performance in scientific tool invocation and multi-stage task execution, we conduct multi-turn tool-calling experiments across diverse language models and scientific tool interfaces. Experimental results demonstrate that DrugCoding achieves an average session-level Pass@1 of 97.35% on the full benchmark, outperforming the strongest baseline, Codex, by 9.24%. On the challenging subset, DrugCoding achieves 97.92%, exceeding the strongest baseline.
- Abstract(参考訳): 薬物発見には、分子設計、特性予測、仮想スクリーニングなど、複数の相互接続された研究段階が含まれる。
これらのプロセスは複雑なワークフロー、相互依存の計算タスク、様々な特殊ツールによって特徴づけられ、科学モデルと計算資源の調整にかなりの要求を課している。
しかし、既存の大規模言語モデル(LLM)ベースの科学エージェントは、複雑なタスクの自律的な計画、特殊モデルの適応的選択、多段階の科学的計算の信頼性の実行において課題に直面しており、複雑な薬物発見ワークフローの自動化におけるそれらの効果を制限している。
これらの課題に対処するために、科学的タスク計画、適応型モデルルーティング、マルチエージェント協調、プログラムツール実行を統合した、科学プログラムエージェントシステムであるDarmCodingを提案する。
DrugCodingは、複雑な研究目的のための自律的なタスク計画と動的モデル適応を可能にする。
専門的な科学的モデルを柔軟に実行し、タスク要求に応じてコードを自動的に生成し、実行し、マルチエージェントのコラボレーションを活用して、複雑な科学的タスクの効率的な実行と信頼性の高い検証を支援する。
科学ツールの実行と多段階タスク実行におけるDragonCodingの性能を評価するため,多言語モデルと科学ツールインタフェースをまたいだ多段階ツール呼び出し実験を行った。
実験の結果、DragonCodingは、ベンチマーク全体の97.35%の平均セッションレベルパス@1を達成し、最強のベースラインであるCodexを9.24%上回った。
挑戦的なサブセットでは、ドラッグコーディングは97.92%を獲得し、最強のベースラインを超えた。
関連論文リスト
- SCI-AGENT-EXAM: Benchmarking Agents on Scientific Research Tasks [58.530730974708014]
大規模言語モデル(LLM)エージェントは、科学研究を支援する能力がますます高まっている。
既存のベンチマークは、しばしば選択された科学的能力やタスクタイプに焦点を当てる。
SCI-AGENT-EXAM(SCI-AGENT-EXAM)は,11分野に120の専門的なタスクと7つの研究課題からなるベンチマークである。
論文 参考訳(メタデータ) (2026-10-23T10:06:55Z) - RoboChemGym: A Protocol-Driven Generative Simulation Framework for Long-Horizon Chemical Manipulation [60.85696622722056]
ウェットラブ実験は科学的発見における仮説検証の金の標準となっている。
エージェントはこれらの面倒な作業を自動化するという約束を持っているが、彼らの開発は現実世界のトレーニングデータの不足によって妨げられている。
textbfRoboChemGymは,実世界の実験プロトコルに適合した高忠実な操作デモを自律的に生成するフレームワークである。
論文 参考訳(メタデータ) (2026-10-02T02:43:15Z) - OSWorld-Science: A Benchmark of Computer Use Agents for Learning and Using Scientific Software [54.375425166090245]
OSWorldScienceは、科学的に意味のあるタスク、アーティファクト評価、効率的なエージェントハーネスを組み合わせたベンチマークと評価環境である。
ベンチマークには12のVLMと、いくつかの科学領域とソフトウェア構成にわたる146の高品質タスクが含まれている。
以上の結果から,現在の最先端のVLMは,科学的領域において重要な問題に対処する上で,依然として課題に直面していることが明らかとなった。
論文 参考訳(メタデータ) (2026-09-30T15:03:05Z) - S1-NexusAgent: a Self-Evolving Agent Framework for Multidisciplinary Scientific Research [0.0]
S1-NexusAgentは科学研究のための自己進化型エージェントフレームワークである。
S1-NexusAgentは階層的なPlan-and-CodeAct実行パラダイムを採用し、サブタスクレベルのツール実行からグローバルな科学的計画を切り離している。
S1-NexusAgentは最先端の一般化性能を達成し、複雑な科学的タスクにおけるその有効性と能力を検証する。
論文 参考訳(メタデータ) (2026-02-02T02:33:25Z) - ScienceBoard: Evaluating Multimodal Autonomous Agents in Realistic Scientific Workflows [82.07367406991678]
大規模言語モデル(LLM)は自然言語処理を超えてその影響を拡大している。
これらのうち、コンピュータ利用エージェントは、人間がしているようにオペレーティングシステムと対話することができる。
我々はScienceBoardを紹介し、ダイナミックで視覚的にリッチな科学ソフトウェアを特徴とする現実的でマルチドメイン環境を包含する。
論文 参考訳(メタデータ) (2025-05-26T12:27:27Z) - 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)
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。