論文の概要: PhageBench: Can LLMs Understand Raw Bacteriophage Genomes?

• arxiv url: http://arxiv.org/abs/2604.05775v1
• Date: Tue, 07 Apr 2026 12:14:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.808882
• Title: PhageBench: Can LLMs Understand Raw Bacteriophage Genomes?
• Title（参考訳）: PhageBench: LLMは細菌ファージのゲノムを理解することができるか?
• Authors: Yusen Hou, Weicai Long, Haitao Hu, Houcheng Su, Junning Feng, Yanlin Zhang,
• Abstract要約: 細菌ファージは微生物の生態系の調節や抗生物質の代替に重要な役割を果たしている。 PhageBenchは、バイオインフォマティクスの専門家のワークフローを反映してファージのゲノム理解を評価するために設計された最初のベンチマークである。
• 参考スコア（独自算出の注目度）: 2.9367295285731285
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bacteriophages, often referred to as the dark matter of the biosphere, play a critical role in regulating microbial ecosystems and in antibiotic alternatives. Thus, accurate interpretation of their genomes holds significant scientific and practical value. While general-purpose Large Language Models (LLMs) excel at understanding biological texts, their ability to directly interpret raw nucleotide sequences and perform biological reasoning remains underexplored. To address this, we introduce PhageBench, the first benchmark designed to evaluate phage genome understanding by mirroring the workflow of bioinformatics experts. The dataset contains 5,600 high-quality samples covering five core tasks across three stages: Screening, Quality Control, and Phenotype Annotation. Our evaluation of eight LLMs reveals that general-purpose reasoning models significantly outperform random baselines in phage contig identification and host prediction, demonstrating promising potential for genomic understanding. However, they exhibit significant limitations in complex reasoning tasks involving long-range dependencies and fine-grained functional localization. These findings highlight the necessity of developing next-generation models with enhanced reasoning capabilities for biological sequences.
• Abstract（参考訳）: 細菌ファージは、しばしばバイオスフィアの暗黒物質と呼ばれ、微生物の生態系や抗生物質の代替物を制御する上で重要な役割を担っている。 したがって、それらのゲノムの正確な解釈は、科学的および実践的な価値を持っている。 汎用大規模言語モデル(LLM)は生物学的テキストの理解に優れるが、生のヌクレオチド配列を直接解釈し、生物学的推論を行う能力は未解明のままである。 バイオインフォマティクスの専門家のワークフローを反映してファージゲノム理解を評価するための最初のベンチマークであるPhageBenchを紹介する。 データセットには、スクリーニング、品質管理、Phenotype Annotationという3つのステージにわたる5つのコアタスクをカバーする5,600の高品質なサンプルが含まれている。 8つのLCMを解析した結果,汎用推論モデルはファージの識別や宿主の予測においてランダムなベースラインを著しく上回り,ゲノム理解に有望な可能性を示唆している。 しかし、長距離依存やきめ細かい機能的局所化を含む複雑な推論タスクには、大きな制限がある。 これらの知見は,生物配列の推論能力を高めた次世代モデルの開発の必要性を浮き彫りにした。

関連論文リスト

• SciHorizon-GENE: Benchmarking LLM for Life Sciences Inference from Gene Knowledge to Functional Understanding [30.790301729371475]
  大規模言語モデル (LLM) は、特に知識駆動型解釈タスクにおいて、生物医学研究において期待が高まりつつあることを示している。 SciHorizon-GENE(SciHorizon-GENE)は、生物データベースから構築された大規模遺伝子中心のベンチマークである。 このベンチマークは、190万以上のヒト遺伝子に対するキュレートされた知識を統合し、多様な遺伝子から機能への推論シナリオをカバーする540万以上の質問を含んでいる。
  論文  参考訳（メタデータ） (2026-01-19T08:06:35Z)
• 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)
• Biology-Instructions: A Dataset and Benchmark for Multi-Omics Sequence Understanding Capability of Large Language Models [55.74944165932666]
  本稿では,生物配列の大規模学習データセットであるBiology-Instructionsを紹介する。 このデータセットは、大きな言語モデル(LLM)と複雑な生物学的シーケンス関連タスクをブリッジし、その汎用性と推論を強化する。 また,マルチオミクスタスクにおける現状のLLMの,専門訓練なしでの大幅な制限を強調した。
  論文  参考訳（メタデータ） (2024-12-26T12:12:23Z)
• 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)
• Studying Limits of Explainability by Integrated Gradients for Gene Expression Models [3.220287168504093]
  重要度によるランク付け機能は,バイオマーカーの同定に十分ではないことを示す。 バイオマーカーが真理を知らないままに関係する原因を反映しているかどうかを評価することは難しいため、階層的モデルを提案することで遺伝子発現データをシミュレートする。
  論文  参考訳（メタデータ） (2023-03-19T19:54:15Z)

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。