論文の概要: Progressive Multi-Agent Reasoning for Biological Perturbation Prediction

• arxiv url: http://arxiv.org/abs/2602.07408v1
• Date: Sat, 07 Feb 2026 06:59:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.608373
• Title: Progressive Multi-Agent Reasoning for Biological Perturbation Prediction
• Title（参考訳）: 生物学的摂動予測のためのプログレッシブマルチエージェント推論
• Authors: Hyomin Kim, Sang-Yeon Hwang, Jaechang Lim, Yinhua Piao, Yunhak Oh, Woo Youn Kim, Chanyoung Park, Sungsoo Ahn, Junhyeok Jeon,
• Abstract要約: 複雑な化学摂動下での標的遺伝子の制御を予測するための新しいベンチマークであるLINCSQAを提案する。 また,PBio-Agentを提案する。PBio-Agentは,難易度を考慮したタスクシークエンシングと反復的知識の洗練を統合したマルチエージェントフレームワークである。 私たちの重要な洞察は、同じ摂動によって影響を受ける遺伝子は因果構造を共有しており、自信を持って予測された遺伝子がより困難なケースを文脈化できるということです。
• 参考スコア（独自算出の注目度）: 32.71169480836875
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting gene regulation responses to biological perturbations requires reasoning about underlying biological causalities. While large language models (LLMs) show promise for such tasks, they are often overwhelmed by the entangled nature of high-dimensional perturbation results. Moreover, recent works have primarily focused on genetic perturbations in single-cell experiments, leaving bulk-cell chemical perturbations, which is central to drug discovery, largely unexplored. Motivated by this, we present LINCSQA, a novel benchmark for predicting target gene regulation under complex chemical perturbations in bulk-cell environments. We further propose PBio-Agent, a multi-agent framework that integrates difficulty-aware task sequencing with iterative knowledge refinement. Our key insight is that genes affected by the same perturbation share causal structure, allowing confidently predicted genes to contextualize more challenging cases. The framework employs specialized agents enriched with biological knowledge graphs, while a synthesis agent integrates outputs and specialized judges ensure logical coherence. PBio-Agent outperforms existing baselines on both LINCSQA and PerturbQA, enabling even smaller models to predict and explain complex biological processes without additional training.
• Abstract（参考訳）: 生物学的摂動に対する遺伝子調節反応の予測には、基礎となる生物学的因果関係の推論が必要である。 大きな言語モデル(LLM)はそのようなタスクを約束するが、高次元摂動結果の絡み合った性質に圧倒されることが多い。 さらに、最近の研究は主に単一細胞実験における遺伝的摂動に焦点を当てており、バルクセルの化学摂動は薬物発見の中心であり、ほとんど探索されていない。 そこで本研究では, バルクセル環境における複雑な化学摂動下での標的遺伝子の制御を予測するための新しいベンチマークであるLINCSQAを提案する。 さらに,PBio-Agentを提案する。PBio-Agentは,難易度を考慮したタスクシークエンシングと反復的知識の洗練を統合したマルチエージェントフレームワークである。 私たちの重要な洞察は、同じ摂動によって影響を受ける遺伝子は因果構造を共有しており、自信を持って予測された遺伝子がより困難なケースを文脈化できるということです。 このフレームワークは生物学的知識グラフに富んだ特殊エージェントを使用し、合成エージェントは出力を統合し、特殊判断器は論理的コヒーレンスを保証する。 PBio-AgentはLINCSQAとPerturbQAの両方で既存のベースラインを上回り、より小さなモデルでも追加のトレーニングなしで複雑な生物学的過程を予測し、説明することができる。

関連論文リスト

• 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)
• BioReason: Incentivizing Multimodal Biological Reasoning within a DNA-LLM Model [12.528834366422466]
  BioReasonは論理的、生物学的に一貫性のある還元物を生成することを学ぶ。 KEGGによる疾患経路予測の精度は86%から98%に向上する。 また、強いベースラインよりも平均15%の変動効果予測を改善する。
  論文  参考訳（メタデータ） (2025-05-29T15:49:27Z)
• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• BioDiscoveryAgent: An AI Agent for Designing Genetic Perturbation Experiments [112.25067497985447]
  そこで,BioDiscoveryAgentを紹介した。このエージェントは,新しい実験を設計し,その結果の理由を明らかにし,仮説空間を効率的にナビゲートし,望ましい解に到達させる。 BioDiscoveryAgentは、機械学習モデルをトレーニングすることなく、新しい実験を独自に設計することができる。 6つのデータセットで関連する遺伝的摂動を予測することで、平均21%の改善が達成されている。
  論文  参考訳（メタデータ） (2024-05-27T19:57:17Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)

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。