論文の概要: Agentic AI platforms for autonomous training and rule induction of human-human and virus-human protein-protein interactions

• arxiv url: http://arxiv.org/abs/2604.23924v1
• Date: Mon, 27 Apr 2026 00:47:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.680375
• Title: Agentic AI platforms for autonomous training and rule induction of human-human and virus-human protein-protein interactions
• Title（参考訳）: 人-ヒト-ウイルス-ヒト蛋白質間相互作用の自律的訓練とルール誘導のためのエージェントAIプラットフォーム
• Authors: Hung N. Do, Jessica Z. Kubicek-Sutherland, Oscar A. Negrete, S. Gnanakaran,
• Abstract要約: 我々はAIエージェントに2つの別々のエージェントAIプラットフォームを構築するよう指示する。 1つは、人間とウイルスと人間のPPIのための予測MLモデルの自律的なトレーニングである。 もう一つは、ヒトおよびウイルスヒトPPIを規定する明示的な一般規則を誘導するためのものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We instruct an AI agent to construct two separate agentic AI platforms: one for autonomous training of predictive ML models for human-human and virus-human PPI, and the other for inducing explicit general rules governing human-human and virus-human PPI. The first agentic AI platform for autonomous training of predictive ML models for PPI is designed to consist of five AI agents that handle autonomous data collection, data verification, feature embedding, model design, and training and validation on three-way protein-disjoint cross-fold datasets. For human-human and human-virus PPIs, the final three-way protein-disjoint ensemble achieves an accuracy of 87.3% and 86.5%, respectively. For cross-checking and interpretability purposes, the second agentic AI platform is designed to replace ML predictions with human-readable rules derived from protein embeddings, physicochemical autocovariance descriptors, compartment annotations, pathway-domain overlap, and graph contexts. For human-human PPI, it is defined by a two-rule induction, whereas human-virus is induced by a more complex set of weighted rules. The rules induced by the second agentic platform align with the SHAP-identified features from the predictive ML models built by the first agentic platform. Taken together, our work demonstrates the agentic AI's ability to orchestrate from data planning to execution, and from rule induction to explanation in ML, opening the door to various applications.
• Abstract（参考訳）: 我々は、AIエージェントに2つのエージェントAIプラットフォームを構築するよう指示する。1つは、人間-ヒトとウイルス-ヒトPPIの予測MLモデルの自律的訓練のためのものであり、もう1つは、人間-ヒトとウイルス-ヒトPPIを規定する明示的な一般的なルールを誘導するためのものである。 PPI用の予測MLモデルの自律的なトレーニングのための最初のエージェントAIプラットフォームは、自律的なデータ収集、データ検証、機能埋め込み、モデル設計、3方向のタンパク質非結合データセットでのトレーニングと検証を処理する5つのAIエージェントで構成されるように設計されている。 ヒトとヒトのPPIでは、最後の3方向のタンパク質結合のアンサンブルは、それぞれ87.3%と86.5%の精度を達成している。 相互チェックと解釈性のために、第2のエージェントAIプラットフォームは、ML予測を、タンパク質の埋め込み、物理化学的自己共分散記述子、コンパートメントアノテーション、経路-ドメイン重複、グラフコンテキストから導かれる可読性ルールに置き換えるように設計されている。 ヒト-ヒトPPIでは2ルールの誘導によって定義されるが、ヒト-ウイルスはより複雑な重み付けされた規則によって誘導される。 第2のエージェントプラットフォームによって引き起こされるルールは、第1のエージェントプラットフォームによって構築された予測MLモデルのSHAP識別された特徴と一致している。 我々の研究は、エージェントAIがデータプランニングから実行まで、ルールインジェクションからMLの説明まで、さまざまなアプリケーションへの扉を開く能力を示している。

関連論文リスト

• Federated Agentic AI for Wireless Networks: Fundamentals, Approaches, and Applications [60.721304295812445]
  フェデレートラーニング(FL)はエージェントAIの全体的なループを改善する可能性がある。 まず、エージェントAIとメインストリームのFLタイプの基礎を要約し、各FLタイプがエージェントAIのループの特定のコンポーネントを強化する方法について説明する。 低高度無線ネットワークにおけるエージェントAIの動作決定性能を向上させるためにFRLを用いたケーススタディを行う。
  論文  参考訳（メタデータ） (2026-03-02T11:26:56Z)
• Agent2World: Learning to Generate Symbolic World Models via Adaptive Multi-Agent Feedback [51.22403664895878]
  Agent2Worldは、強力な推論時ワールドモデル生成を実現するツール拡張マルチエージェントフレームワークである。 また、マルチエージェントフィードバックの生成を基盤にすることで、教師付き微調整のためのデータエンジンとしても機能する。
  論文  参考訳（メタデータ） (2025-12-26T18:54:14Z)
• Mapping fNIRS Signals to Agent Performance: Toward Reinforcement Learning from Neural Feedback [2.933736356368701]
  Reinforcement Learning from Human Feedback (RLHF) は、エージェントのトレーニングプロセスに人間のフィードバックを統合することで、エージェントの行動と人間の嗜好を整合させる方法論である。 我々は、暗黙の神経信号からエージェントトレーニングを誘導するために、受動的脳-コンピュータインタフェース(BCI)を利用する可能性のあるフレームワークを紹介する。 筆者らは, ピック・アンド・プレイス・ロボット, ルナー・ランダー, フラッピーバードという3つの領域にわたる25人の被験者から収集した, 機能的近赤外分光法(fNIRS)のデータセットを作成した。
  論文  参考訳（メタデータ） (2025-11-17T00:21:46Z)
• A Survey of Data Agents: Emerging Paradigm or Overstated Hype? [66.1526688475023]
  現在「データエージェント」は用語的曖昧さと不整合性に悩まされている。 この調査では、データエージェントのための最初の体系的な階層型分類を紹介した。 プロアクティブな生成データエージェントの出現を想定する、先見的なロードマップで締めくくります。
  論文  参考訳（メタデータ） (2025-10-27T17:54:07Z)
• Human aversion? Do AI Agents Judge Identity More Harshly Than Performance [0.06554326244334868]
  我々は,大規模言語モデルに基づくAIエージェントがどのように人間の入力を評価し,統合するかを検討する。 AIシステムは人間のアドバイスを体系的に減らし、アルゴリズムの誤りよりも人間の誤りを厳しく罰する。
  論文  参考訳（メタデータ） (2025-03-31T02:05:27Z)
• EgoAgent: A Joint Predictive Agent Model in Egocentric Worlds [119.02266432167085]
  EgoAgentは単一変換器内での表現、予測、動作を同時に学習する統合エージェントモデルである。 EgoAgentは、タスクをインターリーブされた状態とアクションのシーケンスとして定式化することで、これらの能力間の因果的および時間的依存関係を明示的にモデル化する。 EgoAgentの画像分類,エゴセントリックな将来の状態予測,3次元人間の動作予測といった代表的課題に対する総合的な評価は,本手法の優位性を示している。
  論文  参考訳（メタデータ） (2025-02-09T11:28:57Z)
• Designing AI-Agents with Personalities: A Psychometric Approach [2.854338743097065]
  本稿では,定量的かつ心理学的に検証された個人性をAIエージェントに割り当てる手法を提案する。 3つの研究で実現可能性と限界を評価した。
  論文  参考訳（メタデータ） (2024-10-25T01:05:04Z)
• Model-based Reinforcement Learning for Decentralized Multiagent Rendezvous [66.6895109554163]
  目標を他のエージェントと整合させる人間の能力の下にあるのは、他人の意図を予測し、自分たちの計画を積極的に更新する能力である。 分散型マルチエージェントレンデブーのためのモデルに基づく強化学習手法である階層型予測計画(HPP)を提案する。
  論文  参考訳（メタデータ） (2020-03-15T19:49:20Z)

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。