論文の概要: Towards World Models in Biomedical Research

• arxiv url: http://arxiv.org/abs/2606.05925v1
• Date: Thu, 04 Jun 2026 09:28:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-06 06:55:34.647837
• Title: Towards World Models in Biomedical Research
• Title（参考訳）: バイオメディカル研究の世界モデルに向けて
• Authors: Guangyu Wang, Jingkun Yue, Siqi Zhang, Yu Liu, Xiaoyu Wang, Mingyuan Meng, Changwei Ji, Zongbo Han, Yulin Wang, Yang Yue, Frank Fu, Ting Chen, Song Wu, Ziwei Liu, Jiangning Song, Ming Li, Gao Huang, Xiaohong Liu, Athanasios Vasilakos, Xingcai Zhang, Ping Zhang, Yong Li,
• Abstract要約: 我々は,AIによる発見のパラダイムとして,バイオメディカルワールドモデルを提案する。 これらのモデルは、介入条件付き力学とともに、分子、細胞、組織、臨床状態の潜伏表現を学習する。 バイオメディカルワールドモデルは, 仮想細胞, オルガノイド, 仮想患者, 手術シミュレーションなど, データエンジン, 環境シミュレータ, 科学計画基板としてどのように機能するかを論じる。
• 参考スコア（独自算出の注目度）: 77.59710966764466
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A central goal of biomedicine is to understand, predict and ultimately control the dynamic mechanisms by which biological systems respond to perturbations, disease progression and therapeutic intervention. Although foundation models and large language models have accelerated biomedical data interpretation, most current systems remain focused on static pattern recognition rather than prospective simulation of biological futures. Here we propose biomedical world models as a paradigm for AI-driven discovery. These models learn latent representations of molecular, cellular, tissue and clinical states, together with intervention-conditioned dynamics that allow future trajectories to be simulated before actions are taken. We discuss how biomedical world models could function as data engines, environment simulators and scientific planning substrates across applications including virtual cells, organoids, virtual patients and surgical simulation. We outline the data infrastructure, evaluation benchmarks, safety constraints and governance frameworks required. Biomedical world models may provide a foundation for simulation-guided, closed-loop and experimentally actionable biomedical discovery.
• Abstract（参考訳）: バイオメディシンの主な目標は、生物学的システムが摂動、疾患の進行、治療介入に反応する動的なメカニズムを理解し、予測し、最終的に制御することである。 基礎モデルや大規模言語モデルは、生物医学的データの解釈を加速してきたが、現在のほとんどのシステムは、生物学的未来を予測的にシミュレーションするのではなく、静的なパターン認識に重点を置いている。 本稿では,AIによる発見のパラダイムとして,バイオメディカルワールドモデルを提案する。 これらのモデルは、分子、細胞、組織、臨床状態の潜在的表現を学習し、介入条件付きダイナミックスにより、将来の軌道を、アクションが行われる前にシミュレートすることができる。 バイオメディカルワールドモデルは, 仮想細胞, オルガノイド, 仮想患者, 手術シミュレーションなど, データエンジン, 環境シミュレータ, 科学計画基板としてどのように機能するかを論じる。 データインフラストラクチャ、評価ベンチマーク、安全性制約、ガバナンスフレームワークについて概説する。 バイオメディカルワールドモデルは、シミュレーション誘導、クローズドループ、実験的に実行可能なバイオメディカル発見の基礎を提供することができる。

関連論文リスト

• From Prediction to Intervention: The Evolution of AI in Biomedicine [67.45502291821956]
  バイオメディシンにおけるAIは、構造的移行の段階にあると我々は主張する。 我々は、生物学的プロセスの状態、ダイナミクス、介入応答を明確に表すシステムとして、疾患レベルモデルを定義します。 バイオメディカルな意思決定の構造から直接従い、医学におけるAIの次の段階を定義する。
  論文  参考訳（メタデータ） (2026-04-14T17:49:51Z)
• VCWorld: A Biological World Model for Virtual Cell Simulation [17.544411742899523]
  本稿では、構造化された生物学的知識と大規模言語モデルの反復的推論能力を統合する、セルレベルのホワイトボックスシミュレータであるVCWorldを紹介する。 VCWorldは、摂動誘起シグナリングカスケードを再現し、解釈可能なステップワイズ予測を生成するために、データ効率のよい方法で運用されている。
  論文  参考訳（メタデータ） (2025-11-29T04:02:24Z)
• Physics-Informed Machine Learning in Biomedical Science and Engineering [3.87707864695882]
  物理インフォームド機械学習(PIML)は、複雑なバイオメディカルシステムをモデル化するための潜在的変換パラダイムとして登場しつつある。 PIMLフレームワークの主な3つのクラスについて概説する。物理情報ニューラルネットワーク(PINN)、ニューラル常微分方程式(NODE)、ニューラル演算子(NO)である。
  論文  参考訳（メタデータ） (2025-10-06T22:52:39Z)
• Biomedical Foundation Model: A Survey [84.26268124754792]
  ファンデーションモデルは、広範なラベルなしデータセットから学習する大規模な事前訓練モデルである。 これらのモデルは、質問応答や視覚的理解といった様々な応用に適応することができる。 本研究は,生物医学分野における基礎モデルの可能性を探るものである。
  論文  参考訳（メタデータ） (2025-03-03T22:42:00Z)
• How to Build the Virtual Cell with Artificial Intelligence: Priorities and Opportunities [46.671834972945874]
  仮想セル構築にAIの進歩を活用するというビジョンを提案する。 我々は、生物の普遍的な表現を含む、そのようなAI仮想セルの望ましい能力について議論する。 我々は、AI仮想細胞が新しい薬物標的を特定し、摂動に対する細胞反応を予測し、スケール仮説を探索する未来を想像する。
  論文  参考訳（メタデータ） (2024-09-18T02:41:50Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)

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。