論文の概要: BIOME-Bench: A Benchmark for Biomolecular Interaction Inference and Multi-Omics Pathway Mechanism Elucidation from Scientific Literature

• arxiv url: http://arxiv.org/abs/2512.24733v1
• Date: Wed, 31 Dec 2025 09:01:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.614696
• Title: BIOME-Bench: A Benchmark for Biomolecular Interaction Inference and Multi-Omics Pathway Mechanism Elucidation from Scientific Literature
• Title（参考訳）: バイオメベンチ(BIOME-Bench): バイオ分子相互作用推論と多眼経路機構の科学文献からの解明のためのベンチマーク
• Authors: Sibo Wei, Peng Chen, Lifeng Dong, Yin Luo, Lei Wang, Peng Zhang, Wenpeng Lu, Jianbin Guo, Hongjun Yang, Dajun Zeng,
• Abstract要約: BIOME-Benchは、マルチオミクス解析において、大規模言語モデル(LLM)の2つのコア機能を評価するために、厳格な4段階のワークフローによって構築される。 両タスクの評価プロトコルを開発し、複数の強力な現代モデルにまたがる包括的実験を行う。
• 参考スコア（独自算出の注目度）: 12.185152549393152
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-omics studies often rely on pathway enrichment to interpret heterogeneous molecular changes, but pathway enrichment (PE)-based workflows inherit structural limitations of pathway resources, including curation lag, functional redundancy, and limited sensitivity to molecular states and interventions. Although recent work has explored using large language models (LLMs) to improve PE-based interpretation, the lack of a standardized benchmark for end-to-end multi-omics pathway mechanism elucidation has largely confined evaluation to small, manually curated datasets or ad hoc case studies, hindering reproducible progress. To address this issue, we introduce BIOME-Bench, constructed via a rigorous four-stage workflow, to evaluate two core capabilities of LLMs in multi-omics analysis: Biomolecular Interaction Inference and end-to-end Multi-Omics Pathway Mechanism Elucidation. We develop evaluation protocols for both tasks and conduct comprehensive experiments across multiple strong contemporary models. Experimental results demonstrate that existing models still exhibit substantial deficiencies in multi-omics analysis, struggling to reliably distinguish fine-grained biomolecular relation types and to generate faithful, robust pathway-level mechanistic explanations.
• Abstract（参考訳）: マルチオミクス研究は、しばしば不均一な分子変化を解釈するために経路富化に依存するが、経路富化(PE)ベースのワークフローは、硬化ラグ、機能的冗長性、分子状態や介入に対する感受性の制限を含む経路資源の構造的制限を継承する。 近年,大規模言語モデル (LLMs) を用いてPEに基づく解釈を改善する手法が検討されているが,エンドツーエンドのマルチオミクス経路機構の標準化ベンチマークの欠如により,手作業による手作業によるデータセットやアドホックケーススタディに大半が評価され,再現性の向上が妨げられている。 バイオ分子相互作用推論とエンド・ツー・エンドのマルチ・オミクス・パスウェイ機構解明という2つのLLMのコア機能を評価するために,厳密な4段階のワークフローを用いて構築されたBIOME-Benchを導入する。 両タスクの評価プロトコルを開発し、複数の強力な現代モデルにまたがる包括的実験を行う。 実験結果から, 既存のモデルでは, 微粒な生体分子関係型を確実に識別することができず, 忠実で堅牢な経路レベルの機械的説明が得られていないことが示唆された。

関連論文リスト

• Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling [74.25438319700929]
  分子と細胞応答の局所的グローバル依存性をモデル化する堅牢なフレームワークであるCHMR(Cell-aware Hierarchical Multi-modal Representations)を提案する。 728タスクにまたがる9つの公開ベンチマークで評価され、CHMRは最先端のベースラインを上回っている。 その結果, 階層認識型マルチモーダル学習による分子表現の信頼性, 生物学的基盤化の利点が示された。
  論文  参考訳（メタデータ） (2025-11-26T07:15:00Z)
• Knowledge-Augmented Long-CoT Generation for Complex Biomolecular Reasoning [51.673503054645415]
  生体分子機構は、分子間相互作用、シグナルカスケード、代謝経路の多段階的推論を必要とする。 既存のアプローチはしばしばこれらの問題を悪化させる: 推論ステップは生物学的事実から逸脱したり、長い機械的依存関係を捉えるのに失敗する。 本稿では,LLMと知識グラフに基づくマルチホップ推論チェーンを統合したLong-CoT推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-11T09:26:32Z)
• Platform for Representation and Integration of multimodal Molecular Embeddings [43.54912893426355]
  既存の分子埋め込みのための機械学習手法は、特定のタスクやデータモダリティに制限されている。 既存の埋め込みは、ほとんど重複しない分子信号を取り込んでおり、埋め込み統合の価値を強調している。 我々は,多モード分子埋め込み(PRISME)の表現と統合のためのプラットフォームを提案し,不均一な埋め込みを統一された多モード表現に統合する。
  論文  参考訳（メタデータ） (2025-07-10T01:18:50Z)
• A Generalist Cross-Domain Molecular Learning Framework for Structure-Based Drug Discovery [32.573496601865465]
  構造に基づく薬物発見(Structure-based drug discovery、SBDD)は、標的タンパク質の詳細な物理的構造を利用して新しい薬物を開発する体系的な科学的プロセスである。 生体分子の事前学習モデルの最近の進歩は、様々な生化学的応用において顕著な成功を収めている。
  論文  参考訳（メタデータ） (2025-03-06T12:04:56Z)
• BioMaze: Benchmarking and Enhancing Large Language Models for Biological Pathway Reasoning [49.487327661584686]
  実際の研究から5.1Kの複雑な経路問題を持つデータセットであるBioMazeを紹介する。 CoT法やグラフ拡張推論法などの手法の評価は,LLMが経路推論に苦慮していることを示している。 そこで本稿では,インタラクティブなサブグラフベースのナビゲーションにより推論を強化するLLMエージェントであるPathSeekerを提案する。
  論文  参考訳（メタデータ） (2025-02-23T17:38:10Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)

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。