タンパク質設計2026/10/31arXiv:2611.00558

エージェントは治療用抗体を信頼性高く設計できるか

Can agents reliably design therapeutic antibodies?

LLMエージェントによる抗体設計を指示追従型とブラックボックス型で評価し、ツールや設計履歴の影響を分析した研究。

詳しい要約

1. どんなもの？

- 抗体設計を agent が実行できるかを検証する研究 - 2つの設定を扱う - task-guided: 明示的な molecular-editing 指示を与える設定 - black-box design: スコア済み配列のみを与え改善提案を促す設定 - 抗体設計における agent の指示追従性と有効性の要因を分析

2. 先行研究と比べてどこがすごい？

- 先行研究では agent が protein design workflow を駆動できると示されている - しかし指示追従の忠実性や有効性の要因は未解明だった - 本研究は抗体設計に焦点を当て、task-guided と black-box の両設定で体系的に検証 - 専門家検証済みの affinity-improvement タスクを整備した点が新しい

3. 技術・手法の肝は？

- task-guided 向けに専門家検証済みの affinity-improvement タスクを10件キュレーション - LLM judges が指示追従の programmatic 評価を再現できるか検証 - 2つの augmentation を検討 - 抗体関連 tools へのアクセス - 既存のスコア済み design history へのアクセス - task-guided と black-box を in silico optimization loop で統合

4. どうやって有効だと検証した？

- LLM judges が指示追従の programmatic 評価を密接に再現することを確認 - tools は指示追従と配列空間探索を改善するが最適化性能を低下させることを観測 - design history は指示追従を低下させるが最適化性能を改善し探索を犠牲にすることを観測 - agentic optimizer が既存の Bayesian optimization baseline と同等の性能を示すことを確認

5. 議論はある？

- tools と design history の間に指示追従・最適化性能・探索のトレードオフが存在 - agent の有効性は augmentation の種類に強く依存する可能性 - in silico での評価であり、wet-lab での検証については要旨からは不明 - 抗体設計への実用性や一般化可能性については要旨からは不明

6. 次に読むべき論文は？

- 要旨で比較されている Bayesian optimization baseline に関する研究 - protein design workflow を agent が駆動する先行研究 - LLM judges による評価手法に関する研究 - 抗体 affinity improvement の既存手法に関する研究

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Asli Alpman, Nick Bhattacharya, Aaron Solomon, Hunter Elliott

分類: q-bio.QM, cs.LG

原文アブストラクト

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.

arXivで原文を読む →arXiv概要ページ

← 論文一覧