論文の概要: BioInsight: Multi-Agent Orchestration for Interactive Biomedical Knowledge Discovery
- arxiv url: http://arxiv.org/abs/2606.20997v1
- Date: Fri, 19 Jun 2026 00:15:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 11:17:59.460121
- Title: BioInsight: Multi-Agent Orchestration for Interactive Biomedical Knowledge Discovery
- Title（参考訳）: BioInsight: インタラクティブなバイオメディカル知識発見のためのマルチエージェントオーケストレーション
- Authors: Jieyi Wang, Bingxuan Li, Nanyi Jiang, Desong Meng, Zirui Fan, Yuxin Guo, Jiayu Liu, Kunlun Zhu, Eddie Yang, Xiusi Chen, Pan Lu, Bingxin Zhao,
- Abstract要約: 静的なバイオメディカルレポート生成からインタラクティブなエビデンス中心のインタラクティブインターフェース生成に移行するマルチエージェントシステムである textscBioInsight を提案する。
病名、タンパク質関連表、オプションのコホートメタデータを与えられたバイオインサイトは、タイプされた中間アーティファクトを通して疾患特異的なエビデンスを組織する。
このシステムは、機械的推論からエビデンスを分解し、決定論的成分を通して引用を正規化し、レポートで使用される同じ構造化されたエビデンスをインタラクティブなインターフェースに変換する。
- 参考スコア（独自算出の注目度）: 34.78175107628791
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Biomedical researchers increasingly use AI-generated analyses and reports to interpret protein-level signals, but static outputs are often insufficient for research decision-making, where users need to inspect evidence, assess uncertainty, compare mechanisms, and refine hypotheses. We present \textsc{BioInsight}, a multi-agent system that moves from static biomedical report generation to interactive evidence-centered interactive interface generation. Given a disease name, a protein association table, and optional cohort metadata, BioInsight organizes disease-specific evidence through typed intermediate artifacts, including ranked pathways, literature evidence packets, protein-level reasoning notes, citation-grounded reports, dashboard schemas, and rendered interactive interfaces. The system decomposes evidence retrieval from mechanistic reasoning, normalizes citations through deterministic components, and converts the same structured evidence used in the report into an interactive interface. We evaluate BioInsight on standardized biomedical QA, challenging protein-function reasoning, and end-to-end biomedical evidence synthesis. Results show that BioInsight achieves best, and suggest that biomedical AI systems should move beyond text-only and static reports toward provenance-preserving, interactive evidence artifacts.
- Abstract（参考訳）: バイオメディカル研究者たちは、AIによって生成された分析とレポートを使ってタンパク質レベルのシグナルを解釈するが、静的なアウトプットはしばしば研究の意思決定には不十分であり、ユーザーは証拠を検査し、不確実性を評価し、メカニズムを比較し、仮説を洗練する必要がある。
本稿では,静的なバイオメディカルレポート生成からインタラクティブなエビデンス中心のインタラクティブインターフェース生成へ移行するマルチエージェントシステムであるtextsc{BioInsight}を提案する。
病名、タンパク質関連テーブル、オプションのコホートメタデータが与えられたバイオインサイトは、分類された中間アーティファクト、文献証拠パケット、タンパク質レベルの推論ノート、引用接地レポート、ダッシュボードスキーマ、インタラクティブなインターフェースなどを通じて、疾患固有のエビデンスを整理する。
このシステムは、機械的推論からエビデンスを分解し、決定論的成分を通して引用を正規化し、レポートで使用される同じ構造化されたエビデンスをインタラクティブなインターフェースに変換する。
バイオインサイトを標準化されたバイオメディカルQA、タンパク質機能推論、エンドツーエンドのバイオメディカルエビデンス合成に基づいて評価した。
結果は、バイオインテリジェンスが最も優れていることを示し、バイオメディカルAIシステムは、テキストのみおよび静的なレポートを超えて、前兆を保存するインタラクティブなエビデンスアーティファクトに移行するべきであることを示唆している。
関連論文リスト
- Towards World Models in Biomedical Research [77.59710966764466]
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。
論文 参考訳（メタデータ） (2026-06-04T09:28:54Z) - PlantMarkerBench: A Multi-Species Benchmark for Evidence-Grounded Plant Marker Reasoning [10.873172077806798]
PlantMarkerBenchは、フルテキストの生物学的論文から文献的な植物マーカーのエビデンスを解釈するベンチマークである。
4つの植物種にまたがり、5,550件の文章レベルのエビデンス・インスタンスが含まれており、マーカーのエビデンス、エビデンス・タイプ、サポートの強さを示す。
種々にわたる多様なオープンソースおよびクローズドソースの言語モデルをベンチマークし、戦略を推進します。
論文 参考訳（メタデータ） (2026-05-11T05:57:15Z) - From Literature to Hypotheses: An AI Co-Scientist System for Biomarker-Guided Drug Combination Hypothesis Generation [4.281508114645598]
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。
論文 参考訳（メタデータ） (2026-02-28T12:14:37Z) - Biomedical reasoning in action: Multi-agent System for Auditable Biomedical Evidence Synthesis [19.14228623181563]
バイオメディカル領域における透明でエージェントベースの推論とエビデンス統合のための実証システムであるM-Reasonについて述べる。
M-Reasonは、大規模言語モデル(LLM)とモジュールエージェントオーケストレーションの最近の進歩を活用して、様々なバイオメディカルデータソース間のエビデンス検索、評価、合成を自動化する。
オープンでインタラクティブなユーザインターフェースにより、研究者はマルチエージェントワークフローを直接観察し、調査し、評価することができる。
論文 参考訳（メタデータ） (2025-10-06T19:57:29Z) - Combating Biomedical Misinformation through Multi-modal Claim Detection and Evidence-based Verification [11.555285143713315]
CER(Combining Evidence and Reasoning)は、バイオメディカルな事実チェックのための新しいフレームワークである。
科学的エビデンス検索、大規模言語モデルによる推論、および教師付き正確性予測を統合している。
幻覚のリスクを効果的に軽減し、生成したアウトプットが検証可能なエビデンスベースの情報源で根拠付けられていることを保証する。
論文 参考訳（メタデータ） (2025-09-17T10:31:09Z) - 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) - Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。
BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。
ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
論文 参考訳（メタデータ） (2023-12-09T07:08:00Z)
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。