論文の概要: DeepEvidence: Empowering Biomedical Discovery with Deep Knowledge Graph Research
- arxiv url: http://arxiv.org/abs/2601.11560v1
- Date: Tue, 23 Dec 2025 14:34:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-25 16:54:51.75762
- Title: DeepEvidence: Empowering Biomedical Discovery with Deep Knowledge Graph Research
- Title（参考訳）: DeepEvidence:Deep Knowledge Graph Researchによるバイオメディカルディスカバリの強化
- Authors: Zifeng Wang, Zheng Chen, Ziwei Yang, Xuan Wang, Qiao Jin, Yifan Peng, Zhiyong Lu, Jimeng Sun,
- Abstract要約: 我々は、様々なバイオメディカル知識グラフ(KG)にまたがってDeep Researchを実行するために設計されたAIエージェントフレームワークであるDeepEvidenceを紹介する。
主にインターネットスケールのテキストに依存している一般的なDeep Researchシステムとは異なり、DeepEvidenceには専門的な知識グラフツールと協調的な探索戦略が組み込まれている。
ディープエビデンス(DeepEvidence)は、生物医学的な発見ライフサイクルの4つの重要な段階において、体系的な探索とエビデンス合成において大きな進歩を示す。
- 参考スコア（独自算出の注目度）: 33.51246292480848
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Biomedical knowledge graphs (KGs) encode vast, heterogeneous information spanning literature, genes, pathways, drugs, diseases, and clinical trials, but leveraging them collectively for scientific discovery remains difficult. Their structural differences, continual evolution, and limited cross-resource alignment require substantial manual integration, limiting the depth and scale of knowledge exploration. We introduce DeepEvidence, an AI-agent framework designed to perform Deep Research across various heterogeneous biomedical KGs. Unlike generic Deep Research systems that rely primarily on internet-scale text, DeepEvidence incorporates specialized knowledge-graph tooling and coordinated exploration strategies to systematically bridge heterogeneous resources. At its core is an orchestrator that directs two complementary agents: Breadth-First ReSearch (BFRS) for broad, multi-graph entity search, and Depth-First ReSearch (DFRS) for multi-hop, evidence-focused reasoning. An internal, incrementally built evidence graph provides a structured record of retrieved entities, relations, and supporting evidence. To operate at scale, DeepEvidence includes unified interfaces for querying diverse biomedical APIs and an execution sandbox that enables programmatic data retrieval, extraction, and analysis. Across established deep-reasoning benchmarks and four key stages of the biomedical discovery lifecycle: drug discovery, pre-clinical experimentation, clinical trial development, and evidence-based medicine, DeepEvidence demonstrates substantial gains in systematic exploration and evidence synthesis. These results highlight the potential of knowledge-graph-driven Deep Research to accelerate biomedical discovery.
- Abstract（参考訳）: 医学知識グラフ(KG)は、文学、遺伝子、経路、薬物、疾患、臨床試験にまたがる多種多様な情報を符号化するが、科学的発見のためにそれらをまとめて利用するのは難しい。
彼らの構造的差異、継続的な進化、限られたリソース間のアライメントは、知識探索の深さと規模を制限し、かなりの手作業による統合を必要とする。
DeepEvidenceは、異種バイオメディカルKG間でDeep Researchを実行するために設計されたAIエージェントフレームワークである。
主にインターネットスケールのテキストに依存している一般的なDeep Researchシステムとは異なり、DeepEvidenceには専門的な知識グラフツールと、異種資源を体系的にブリッジする探索戦略が組み込まれている。
BFRS(Breadth-First ReSearch)、DFRS(Depth-First ReSearch)はマルチホップ、エビデンス中心の推論である。
内部的にインクリメンタルに構築されたエビデンスグラフは、取得したエンティティ、関係、およびエビデンスを構造化した記録を提供する。
大規模に運用するために、DeepEvidenceには、多様なバイオメディカルAPIをクエリするための統一インターフェースと、プログラムによるデータ検索、抽出、分析を可能にする実行サンドボックスが含まれている。
ディープエビデンス(DeepEvidence)は、薬物発見、前臨床実験、臨床試験、エビデンスベースの医療など、バイオメディカル発見ライフサイクルの4つの重要な段階と深い推論のベンチマークを確立した。
これらの結果は、バイオメディカル発見を加速する知識グラフ駆動のDeep Researchの可能性を強調している。
関連論文リスト
- End-to-End Agentic RAG System Training for Traceable Diagnostic Reasoning [52.12425911708585]
Deep-DxSearchは、強化学習(RL)でエンドツーエンドに訓練されたエージェントRAGシステムである。
Deep-DxSearchでは,患者記録と信頼性のある医療知識情報を含む大規模医療検索コーパスを構築した。
実験により、エンドツーエンドのRLトレーニングフレームワークは、プロンプトエンジニアリングやトレーニングフリーなRAGアプローチよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-08-21T17:42:47Z) - A Retrieval-Augmented Knowledge Mining Method with Deep Thinking LLMs for Biomedical Research and Clinical Support [4.663954774358363]
検索精度と知識推論を向上させるために,IP-RAR(Integrated and Progressive Retrieval-Augmented Reasoning)を導入する。
IP-RARは、統合推論ベースの検索を通じて情報リコールを最大化し、プログレッシブ推論ベースの生成を通じて知識を洗練する。
この枠組みは、医師がパーソナライズされた医薬品計画のための治療証拠を効率的に統合するのに役立つ。
論文 参考訳（メタデータ） (2025-03-29T09:56:42Z) - 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) - Diversifying Knowledge Enhancement of Biomedical Language Models using
Adapter Modules and Knowledge Graphs [54.223394825528665]
我々は、軽量なアダプターモジュールを用いて、構造化された生体医学的知識を事前訓練された言語モデルに注入するアプローチを開発した。
バイオメディカル知識システムUMLSと新しいバイオケミカルOntoChemの2つの大きなKGと、PubMedBERTとBioLinkBERTの2つの著名なバイオメディカルPLMを使用している。
計算能力の要件を低く保ちながら,本手法がいくつかの事例において性能改善につながることを示す。
論文 参考訳（メタデータ） (2023-12-21T14:26:57Z) - Data-Driven Information Extraction and Enrichment of Molecular Profiling
Data for Cancer Cell Lines [1.1999555634662633]
本研究では,新しいデータ抽出・探索システムの設計,実装,応用について述べる。
我々は、ゲノムコピー番号の変種プロットと、ランク付けされた関連エンティティの自動リンクを可能にする、新しい公開データ探索ポータルを導入する。
私たちのシステムは、https://cancercelllines.org.comで公開されています。
論文 参考訳（メタデータ） (2023-07-03T11:15:42Z) - BERT Based Clinical Knowledge Extraction for Biomedical Knowledge Graph
Construction and Analysis [0.4893345190925178]
本稿では,バイオメディカル臨床ノートからの知識抽出と分析のためのエンドツーエンドアプローチを提案する。
提案フレームワークは, 関連構造化情報を高精度に抽出できる。
論文 参考訳（メタデータ） (2023-04-21T14:45:33Z) - Towards Unified AI Drug Discovery with Multiple Knowledge Modalities [5.232382666884214]
我々は,統合型,エンドツーエンド,マルチモーダルなディープラーニングフレームワークであるKEDDを提案する。
膨大なAI薬物発見タスクに対して、構造化知識と非構造化知識の両方を最適に組み込む。
我々のフレームワークは分子の深い理解を実現し、最先端の手法よりも大幅に改善されている。
論文 参考訳（メタデータ） (2023-04-17T13:15:16Z) - HiPrompt: Few-Shot Biomedical Knowledge Fusion via Hierarchy-Oriented
Prompting [33.1455954220194]
HiPromptは、監督効率の良い知識融合フレームワークである。
階層指向のプロンプトを通じて、大規模言語モデルの数発の推論能力を引き出す。
収集したKG-Hi-BKFベンチマークデータセットの実験的結果は、HiPromptの有効性を示している。
論文 参考訳（メタデータ） (2023-04-12T16:54:26Z) - EBOCA: Evidences for BiOmedical Concepts Association Ontology [55.41644538483948]
本論文は,生物医学領域の概念とそれらの関連性を記述するオントロジーであるEBOCAと,それらの関連性を支持するエビデンスを提案する。
DISNETのサブセットから得られるテストデータとテキストからの自動アソシエーション抽出が変換され、実際のシナリオで使用できる知識グラフが作成されるようになった。
論文 参考訳（メタデータ） (2022-08-01T18:47:03Z) - Discovering Drug-Target Interaction Knowledge from Biomedical Literature [107.98712673387031]
人体における薬物と標的(DTI)の相互作用は、生物医学や応用において重要な役割を担っている。
毎年何百万もの論文がバイオメディカル分野で出回っているので、文学からDTIの知識を自動的に発見することは、業界にとって急激な需要となっている。
生成的アプローチを用いて,この課題に対する最初のエンドツーエンドソリューションについて検討する。
我々はDTI三重項をシーケンスとみなし、Transformerベースのモデルを使ってエンティティや関係の詳細なアノテーションを使わずに直接生成する。
論文 参考訳（メタデータ） (2021-09-27T17:00:14Z)
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。