RAG-Enhanced Collaborative LLM Agents for Drug Discovery

같이 보면 좋은 논문

기반 연구

HoneyComb: A Flexible LLM-Based Agent System for Materials Science

HoneyComb은 LLM 기반 에이전트 시스템이 다양한 화학·물질 설계 태스크를 공동으로 해결하는 환경을 구축하여 CLADD의 다중에이전트 협업 기초를 제공한다.

기반 연구

HiPerRAG: High-performance retrieval augmented generation for scientific insights

HiPerRAG 논문은 검색 증강 생성 및 협업 에이전트 시스템의 구현 전략을 통해 RAG-Enhanced Collaborative LLM Agents의 작동 원리와 실제 성능 최적화에 이론적 배경을 제공합니다.

기반 연구

Drugpilot: Llm-based parameterized reasoning agent for drug discovery

RAG-Enhanced Collaborative LLM Agents 논문은 협동형 도구 기반 LLM 신약개발 구조에 이론적 기반을 제공하여 DrugPilot의 아키텍처 설계에 참고가 됩니다.

기반 연구

TxAgent: An AI Agent for Therapeutic Reasoning Across a Universe of Tools

RAG-Enhanced Collaborative LLM Agents for Drug Discovery 논문은 TxAgent 시스템에서 활용하는 211개 생의학 도구 연동 및 협업적 RAG 기반 추론의 구현 배경이 됩니다.

기반 연구

Foundation-Model Surrogates Enable Data-Efficient Active Learning for Materials Discovery

foundation model과 search를 결합한 활성 정보 탐색 방법론으로 RAG-기반 신약발견의 기본 원리를 설명한다.

다른 접근

SciAgents: Automating Scientific Discovery Through Bioinspired Multi-Agent Intelligent Graph Reasoning

자동 신약발견에서 다양한 협력 및 추론 메커니즘을 적용한 프레임워크로 접목 가능하다.

다른 접근

Data Interpreter: An LLM Agent For Data Science

253은 데이터 과학 도메인에서 LLM 에이전트 활용을, 651은 신약 개발에 중점을 두며 도메인 특화 없이 범용 LLM 협력을 탐구합니다.

다른 접근

DrugAgent: Automating AI-aided Drug Discovery Programming through LLM Multi-Agent Collaboration

둘 다 신약 발견에서 LLM 기반 에이전트의 활용을 다루지만, 290은 프로그래밍 자동화, 651은 툴 사용과 협업을 강화하는 점에서 비교할 만합니다.

다른 접근

ReSearch: Learning to Reason with Search for LLMs via Reinforcement Learning

둘 다 과학 연구에서 LLM 기반 추론과 탐색을 다수의 에이전트로 강화하지만, 667은 검색 시점 최적화에 RL을 적용한 반면 651은 RAG와 협업형 에이전트 시스템에 중점을 둡니다.

다른 접근

Sparks: Multi-Agent Artificial Intelligence Model Discovers Protein Design Principles

Sparks 연구는 다중 에이전트 및 RAG 프레임워크를 신약 발견 실험에 적용한 사례로 접근 방법 상 비교할 수 있다.

다른 접근

MRAgent: an LLM-based automated agent for causal knowledge discovery in disease via Mendelian randomization

651은 약물 발견 분야에서 협력형 LLM 에이전트를 활용한 혁신적 접근으로, 2275와 유사 문제를 다른 증강 방법론으로 해결한다.

다른 접근

DataJoint 2.0: A Computational Substrate for Agentic Scientific Workflows

R&D-Agent 논문은 데이터 기반 AI 연구 워크플로우 자동화를 LLM 기반 에이전트와 접목하는 방식으로 DataJoint와 비슷한 문제를 다르게 접근합니다.

다른 접근

Modular large language model agents for multi-task computational materials science

Modular large language model agents for multi-task computational materials 논문은 다양한 계산과학 파이프라인을 다중에이전트로 자동화하는 방식을 보여주어 CLADD의 다중에이전트 구조와 비교가 가능합니다.

후속 연구

A deep subgrouping framework for precision drug repurposing via emulating clinical trials on real-world patient data

651 'RAG-Enhanced Collaborative LLM Agents for Drug Discovery'는 Retrieval-Augmented Generation과 멀티 에이전트 협동을 결합한 최신 약물발굴 프레임워크로, 006의 clinical data 기반 약물 재창출 연구의 범위 확장을 시도합니다.

후속 연구

DrugCLIP: Contrastive drug-disease interaction for drug repurposing

DrugCLIP의 효율적인 약물-질병 상호작용 추론을 다중 에이전트와 도구형 LLM 융합으로 확장한 연구다.

후속 연구

HoneyComb: A Flexible LLM-Based Agent System for Materials Science

RAG 기반 협동 에이전트 시스템을 약물·재료 발견에 적용해 신뢰성과 응용 범위를 확장시키는 방향으로 연계된다.

후속 연구

DeepCRE: Transforming Drug R&D via AI-Driven Cross-drug Response Evaluation

RAG-Enhanced Collaborative LLM Agents 논문은 도구 활용과 LLM의 공동작업을 통해 신약 개발 프로세스 성능을 개선하는 접근을 DeepCRE의 발전 사례로 참고할 수 있습니다.

후속 연구

RAG-Enhanced Collaborative LLM Agents for Drug Discovery

RAG-Enhanced Collaborative LLM Agents for Drug Discovery 자체적으로 도메인 특화 RAG 방법을 개방형 질문과 동적 협업에 적용해 최신 프레임워크를 제시한다.