論文の概要: Revisiting Gene Ontology Knowledge Discovery with Hierarchical Feature Selection and Virtual Study Group of AI Agents

• arxiv url: http://arxiv.org/abs/2603.20132v1
• Date: Fri, 20 Mar 2026 17:00:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.249235
• Title: Revisiting Gene Ontology Knowledge Discovery with Hierarchical Feature Selection and Virtual Study Group of AI Agents
• Title（参考訳）: 階層的特徴選択による遺伝子オントロジー知識発見の再検討とAIエージェントの仮想研究グループ
• Authors: Cen Wan, Alex A. Freitas,
• Abstract要約: エージェント型AIを用いた知識発見指向仮想研究グループを提案する。 高年齢関連遺伝子オントロジー用語を考慮した有意義な老化関連生物学的知識の抽出を目的とする。 AIエージェントが生成した科学的主張の大部分は、既存の文献で裏付けられている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large language models have achieved great success in multiple challenging tasks, and their capacity can be further boosted by the emerging agentic AI techniques. This new computing paradigm has already started revolutionising the traditional scientific discovery pipelines. In this work, we propose a novel agentic AI-based knowledge discovery-oriented virtual study group that aims to extract meaningful ageing-related biological knowledge considering highly ageing-related Gene Ontology terms that are selected by hierarchical feature selection methods. We investigate the performance of the proposed agentic AI framework by considering four different model organisms' ageing-related Gene Ontology terms and validate the biological findings by reviewing existing research articles. It is found that the majority of the AI agent-generated scientific claims can be supported by existing literatures and the proposed internal mechanisms of the virtual study group also play an important role in the designed agentic AI-based knowledge discovery framework.
• Abstract（参考訳）: 大規模言語モデルは、複数の挑戦的なタスクで大きな成功を収めており、その能力は、新たなエージェントAI技術によってさらに向上することができる。 この新しいコンピューティングパラダイムはすでに、従来の科学的発見パイプラインに革命をもたらし始めている。 本研究では, 階層的特徴選択法により選択される高年齢関連遺伝子オントロジー用語を考慮した, 有意義な老化関連生物学的知識の抽出を目的とした, エージェント型AIに基づく知識発見指向バーチャルスタディグループを提案する。 本研究では, 4種類のモデル生物の老化関連遺伝子オントロジー用語を考慮し, 提案するエージェントAIフレームワークの性能について検討し, 既存の研究論文をレビューして生物学的知見を検証した。 AIエージェントが生成した科学的な主張の大部分は既存の文献によって裏付けられ、仮想研究グループの内部メカニズムは、設計されたエージェントAIベースの知識発見フレームワークにおいて重要な役割を果たす。

関連論文リスト

• From AI for Science to Agentic Science: A Survey on Autonomous Scientific Discovery [108.1082357960201]
  エージェントAIは仮説生成、実験設計、実行、分析、反復的洗練の能力を示す。 この調査は、生命科学、化学、材料科学、物理学にまたがる自律的な科学的発見のドメイン指向のレビューを提供する。
  論文  参考訳（メタデータ） (2025-08-18T05:25:54Z)
• Simulating Biological Intelligence: Active Inference with Experiment-Informed Generative Model [2.003941363902692]
  実施エージェントの意思決定をモデル化するための,能動的推論に根ざしたフレームワークを提案する。 実験インフォームド生成モデルを用いて,シミュレーションゲーム環境における意思決定過程をシミュレートする。 知的意思決定における記憶に基づく学習と予測計画の役割について考察した。
  論文  参考訳（メタデータ） (2025-08-09T13:26:38Z)
• From Automation to Autonomy: A Survey on Large Language Models in Scientific Discovery [67.07598263346591]
  大規模言語モデル(LLM)は科学的発見のパラダイムシフトを触媒している。 この調査は、この急成長する分野を体系的に分析し、科学におけるLLMの役割の変化とエスカレーション能力に重点を置いている。
  論文  参考訳（メタデータ） (2025-05-19T15:41:32Z)
• AIGS: Generating Science from AI-Powered Automated Falsification [17.50867181053229]
  本稿では,重要な研究プロセスを代表する役割を担ったマルチエージェントシステムである,フルプロセスAIGSシステムのベビーステップとして,Baby-AIGSを提案する。 3つのタスクの実験では、Baby-AIGSは経験豊富な人間の研究者と同等ではないが、有意義な科学的発見を産み出すことができた。
  論文  参考訳（メタデータ） (2024-11-17T13:40:35Z)
• SciAgents: Automating scientific discovery through multi-agent intelligent graph reasoning [0.0]
  人工知能の鍵となる課題は、科学的理解を自律的に進めるシステムを作ることである。 3つのコア概念を活用するアプローチであるSciAgentsを提案する。 この枠組みは研究仮説を自律的に生成し、基礎となるメカニズム、設計原則、予期せぬ材料特性を解明する。 我々のケーススタディでは、生成AI、オントロジ表現、マルチエージェントモデリングを組み合わせて、生物学的システムに似た知能の群を活用できるスケーラブルな能力を実証している。
  論文  参考訳（メタデータ） (2024-09-09T12:25:10Z)
• 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)
• Empowering Biomedical Discovery with AI Agents [15.125735219811268]
  我々は「AI科学者」を懐疑的な学習と推論が可能なシステムとして想定する。 バイオメディカルAIエージェントは、人間の創造性と専門知識と、大規模なデータセットを分析するAIの能力を組み合わせる。 AIエージェントは、仮想細胞シミュレーション、プログラム可能な表現型の制御、細胞回路の設計、新しい治療法の開発など、幅広い領域に影響を与える可能性がある。
  論文  参考訳（メタデータ） (2024-04-03T16:08:01Z)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)

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。