論文の概要: From Literature to Hypotheses: An AI Co-Scientist System for Biomarker-Guided Drug Combination Hypothesis Generation
- arxiv url: http://arxiv.org/abs/2603.00612v1
- Date: Sat, 28 Feb 2026 12:14:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.292749
- Title: From Literature to Hypotheses: An AI Co-Scientist System for Biomarker-Guided Drug Combination Hypothesis Generation
- Title（参考訳）: 文献から仮説へ:バイオマーカーを用いた薬物併用仮説生成のためのAI共同科学者システム
- Authors: Raneen Younis, Suvinava Basak, Lukas Chavez, Zahra Ahmadi,
- Abstract要約: CoDHyは、がん研究におけるバイオマーカー誘導薬物の組み合わせ仮説生成のための、対話的かつ人為的なループシステムである。
構造化バイオメディカルデータベースと非構造化文献証拠をタスク固有の知識グラフに統合する。
ユーザーは科学的コンテキストを設定し、中間結果を検査し、仮説を反復的に洗練することができる。
- 参考スコア（独自算出の注目度）: 4.281508114645598
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The rapid growth of biomedical literature and curated databases has made it increasingly difficult for researchers to systematically connect biomarker mechanisms to actionable drug combination hypotheses. We present AI Co-Scientist (CoDHy), an interactive, human-in-the-loop system for biomarker-guided drug combination hypothesis generation in cancer research. CoDHy integrates structured biomedical databases and unstructured literature evidence into a task-specific knowledge graph, which serves as the basis for graph-based reasoning and hypothesis construction. The system combines knowledge graph embeddings with agent-based reasoning to generate, validate, and rank candidate drug combinations, while explicitly grounding each hypothesis in retrievable evidence. Through a web-based interface, users can configure the scientific context, inspect intermediate results, and iteratively refine hypotheses, enabling transparent and researcher-steerable exploration rather than automated decision-making. We demonstrate CoDHy as a system for exploratory hypothesis generation and decision support in translational oncology, highlighting its design, interaction workflow, and practical use cases.
- Abstract（参考訳）: 生物医学文献とキュレートされたデータベースの急速な成長は、研究者がバイオマーカーのメカニズムを作用可能な薬物の組み合わせ仮説に体系的に結びつけるのを困難にしている。
我々は,がん研究におけるバイオマーカー誘導薬物組み合わせ仮説生成のための,対話的かつ人為的なループシステムであるAIコサイエンティフィスト(CoDHy)について紹介する。
CoDHyは構造化バイオメディカルデータベースと非構造化文献証拠をタスク固有の知識グラフに統合し、グラフベースの推論と仮説構築の基礎となる。
このシステムは、知識グラフの埋め込みとエージェントベースの推論を組み合わせて、候補薬物の組み合わせを生成し、検証し、ランク付けする。
Webベースのインターフェースを通じて、ユーザは科学的コンテキストを設定し、中間結果を検査し、仮説を反復的に洗練し、自動意思決定よりも透明で研究者が操作可能な探索を可能にする。
我々は,CoDHyを翻訳オンコロジーにおける探索仮説生成と意思決定支援のシステムとして実証し,その設計,インタラクションワークフロー,実践的ユースケースを強調した。
関連論文リスト
- BABE: Biology Arena BEnchmark [51.53220868983288]
BABEは、生物学的AIシステムの実験的推論能力を評価するために設計されたベンチマークである。
われわれのベンチマークは、AIシステムが科学者を実践するのと同じように、いかにうまく判断できるかを評価するための堅牢なフレームワークを提供する。
論文 参考訳（メタデータ） (2026-02-05T16:39:20Z) - SAGE: Agentic Framework for Interpretable and Clinically Translatable Computational Pathology Biomarker Discovery [0.8778472217028965]
SAGEは生物学的な証拠を根拠として、解釈可能な、エンジニアリングされた病理バイオマーカーを識別するエージェントAIシステムである。
SAGEは、文学的アンコール推論とマルチモーダルデータ分析を統合し、画像由来の特徴と、遺伝子発現などの分子バイオマーカーと、臨床的に関連する結果とを関連付ける。
論文 参考訳（メタデータ） (2026-02-01T01:12:12Z) - AI Co-Scientist for Knowledge Synthesis in Medical Contexts: A Proof of Concept [0.0]
本稿では,人口,インターベンション,コンパレータ,アウトカム,学習デザイン(PICOS)の明示的な形式化に基づく,スケーラブルで透明な知識合成のためのAIを提案する。
このプラットフォームはリレーショナルストレージ、ベクトルベースのセマンティック検索、Neo4jナレッジグラフを統合している。
その結果,PICOS対応で説明可能な自然言語処理は,エビデンス合成のスケーラビリティ,透明性,効率性を向上できることがわかった。
論文 参考訳（メタデータ） (2026-01-16T23:07:58Z) - BioVerge: A Comprehensive Benchmark and Study of Self-Evaluating Agents for Biomedical Hypothesis Generation [16.117624717812863]
我々は、総合的なベンチマークであるBioVergeとLLMベースのエージェントフレームワークであるBioVerge Agentを導入し、バイオメディカル仮説生成のための標準化された環境を構築する。
本データセットは, LLMエージェントによる探索を支援するために組織された, 歴史的生物医学的仮説とPubMed文献から得られた構造化およびテキストデータを含む。
論文 参考訳（メタデータ） (2025-11-12T01:09:52Z) - Hypothesis Hunting with Evolving Networks of Autonomous Scientific Agents [52.50038914857797]
この過程を仮説探索と呼び、膨大な複雑な仮説空間を横断する持続的な探索を通して洞察を累積的に探索する。
本稿では、エージェント、ネットワーク、評価規範の相互作用としてフレームワークモデリングディスカバリであるAScienceを紹介し、ASCollabとして実装する。
実験により、このような社会的ダイナミクスは、多様性-品質-ノーベルティフロンティアに沿った専門家評価結果の蓄積を可能にすることが示された。
論文 参考訳（メタデータ） (2025-10-08T08:47:07Z) - 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) - 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) - Descriptive Knowledge Graph in Biomedical Domain [26.91431888505873]
本稿では,バイオメディカルコーパスから情報文や記述文を自動的に抽出し,生成する新しいシステムを提案する。
接続されていない経路を検索する従来の検索エンジンや探索システムとは異なり,本システムは記述文をグラフとして整理する。
新型コロナウイルス研究における本システムの適用に着目し,薬物再資源化や文献キュレーションなどの分野における実用性について考察した。
論文 参考訳（メタデータ） (2023-10-18T03:10:25Z) - 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。