論文の概要: SP-Mind: An Autonomous Reasoning Agent for Spatial Proteomics Analysis
- arxiv url: http://arxiv.org/abs/2606.24235v1
- Date: Tue, 23 Jun 2026 07:24:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 22:16:48.821484
- Title: SP-Mind: An Autonomous Reasoning Agent for Spatial Proteomics Analysis
- Title（参考訳）: SP-Mind:空間プロテオミクス解析のための自律推論エージェント
- Authors: Yucheng Yuan, Yuanfeng Ji, Zhongxiao Li, Ruijiang Li,
- Abstract要約: SP-Mindは空間分析パイプラインを統合するために設計された最初の自律AIエージェントである。
自然言語クエリをタスク固有の微調整なしでエンドツーエンドの分析に変換する。
既存のオープンソースバイオメディカルエージェントのベースラインと比較して、最先端のパフォーマンスを実現している。
- 参考スコア（独自算出の注目度）: 4.6907067242951115
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spatial proteomics enables single-cell-resolution characterization of protein expression within tissue architecture, playing a critical role in understanding tumor microenvironments and guiding precision medicine. However, current analysis workflows remain fragmented, requiring expert manual orchestration of heterogeneous tools and limiting research scalability and reproducibility. We present SP-Mind, the first autonomous AI agent designed to unify the spatial proteomics analysis pipeline, from raw multiplexed tissue imaging to downstream phenotype discovery. Equipped with expert-curated biological analysis skills and specialized computational tools, SP-Mind converts natural-language queries into end-to-end analytical workflows without task-specific fine-tuning. To rigorously evaluate its capabilities, we introduce SP-Bench, a comprehensive benchmark spanning diverse tissue types, comprising 102 tasks across 18 distinct categories. Through extensive evaluation on SP-Bench and established downstream tasks, SP-Mind achieves state-of-the-art performance compared to existing open-source biomedical agent baselines.
- Abstract（参考訳）: 空間プロテオミクスは、組織構造内のタンパク質の発現を単細胞で解析し、腫瘍の微小環境を理解し、精密な医療を導く上で重要な役割を担っている。
しかし、現在の分析ワークフローは断片化され続けており、ヘテロジニアスツールの専門的な手作業によるオーケストレーションと、研究のスケーラビリティと再現性を制限する必要がある。
本稿では,空間プロテオミクス解析パイプラインの統合を目的とした,最初の自律型AIエージェントであるSP-Mindについて紹介する。
SP-Mindは専門的な生物学的分析スキルと専門的な計算ツールを備えており、自然言語クエリをタスク固有の微調整なしでエンドツーエンドの分析ワークフローに変換する。
SP-Benchは18の異なるカテゴリで102のタスクからなる多種多様な組織タイプにまたがる総合的なベンチマークである。
SP-Benchと確立された下流タスクの広範な評価を通じて、SP-Mindは既存のオープンソースバイオメディカルエージェントベースラインと比較して最先端のパフォーマンスを実現している。
関連論文リスト
- CodeCytos: AI-assisted spatial molecular imaging analysis via code-augmented agent action space [2.9782642531825467]
我々は,空間的分子イメージング解析のためのコーディングベースの推論エージェントであるCodeCytosを提案する。
CodeCytosは、カスタム空間セルの探索を効率化し、多様な研究ニーズに対応するように設計されている。
本研究は, 組織タイプ別4つの専門的分類データセットのケーススタディを通じて, その有用性を実証する。
論文 参考訳（メタデータ） (2026-05-30T01:37:32Z) - Unlocking Biological Workflows for Robust Protein-Text Question Answering: A Dual-Dimensional RAG Framework [60.82334952881798]
タンパク-テキスト質問回答(QA)は、自然言語による生物学的配列の解釈に不可欠である。
2D-ProteinRAGは,大規模言語モデル(LLM)を金本位生物研究ワークフロー内で動作させる新しいフレームワークである。
本研究では,2D-Proteinが常に最先端の性能を達成し,微調整ベースラインや他のRAG法よりも優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2026-05-17T05:03:24Z) - Diffusion Attention Expert Model for Predicting and Semi-automatic Localizing STAS in Lung Cancer Histopathological Images [16.57584586447825]
凍結部(FS)およびパラフィン部(PS)における空気空間(STAS)の拡散を検出する拡散注意エキスパートモデル(DAEM)を提案する。
内部データセットでは、FSは0.8946、PSは0.9112である。
微乳頭型STASを含むいくつかの定量的TME指標は、STASの潜在的なバイオマーカーとして同定される。
論文 参考訳（メタデータ） (2026-05-15T01:01:35Z) - Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。
従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。
本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-10T06:30:19Z) - Agentic Large Language Models for Training-Free Neuro-Radiological Image Analysis [19.715805184063168]
Agentic AIは新しいソリューションを提供し、本質的な3D処理を必要としない。
自動脳MRI解析のための無トレーニングエージェントパイプラインを提案する。
この結果から,エージェントAIは,訓練や微調整を必要とせず,ツール使用による高次神経・放射線画像解析の課題を解決できることが示唆された。
論文 参考訳（メタデータ） (2026-04-17T22:04:16Z) - Pitfalls in Evaluating Interpretability Agents [91.49742416116635]
我々は,実験を反復的に設計し,仮説を洗練するエージェントシステムを構築した。
我々の研究は、複雑な自動解釈可能性システムを評価する上での根本的な課題を実証している。
論文 参考訳（メタデータ） (2026-03-20T16:27:17Z) - QUASAR: A Universal Autonomous System for Atomistic Simulation and a Benchmark of Its Capabilities [0.7519872646378835]
QUASARは、生産段階の科学的発見を促進するために設計された原子論シミュレーションのための普遍的な自律システムである。
我々は,光触媒スクリーニングや新規材料評価など,日常的な課題からフロンティア研究の課題まで,一連の3段階の課題に対してquariSARをベンチマークした。
その結果,quiSARはタスク固有の自動化フレームワークではなく,一般的な原子論的推論システムとして機能することが示唆された。
論文 参考訳（メタデータ） (2026-01-30T05:29:44Z) - An Agentic Framework for Autonomous Materials Computation [70.24472585135929]
大規模言語モデル(LLM)は、科学的発見を加速するための強力なツールとして登場した。
近年の進歩はLLMをエージェントフレームワークに統合し、複雑な科学実験のための検索、推論、ツールの使用を可能にしている。
本稿では,第一原理計算の信頼性向上を目的としたドメイン特化エージェントを提案する。
論文 参考訳（メタデータ） (2025-12-22T15:03:57Z) - DISPROTBENCH: A Disorder-Aware, Task-Rich Benchmark for Evaluating Protein Structure Prediction in Realistic Biological Contexts [76.59606029593085]
DisProtBenchは、構造障害および複雑な生物学的条件下でタンパク質構造予測モデル(PSPM)を評価するためのベンチマークである。
DisProtBenchはデータの複雑さ、タスクの多様性、解釈可能性という3つの重要な軸にまたがっている。
その結果,機能的予測障害と相関する低信頼領域を有する障害下でのモデルロバスト性に有意な変動が認められた。
論文 参考訳（メタデータ） (2025-06-18T23:58:22Z) - Advancing AI Research Assistants with Expert-Involved Learning [84.30323604785646]
大規模言語モデル (LLM) と大規模マルチモーダルモデル (LMM) は、生物医学的な発見を促進することを約束するが、その信頼性は未定である。
ARIEL(AI Research Assistant for Expert-in-the-Loop Learning)は,オープンソースの評価・最適化フレームワークである。
LMMは詳細な視覚的推論に苦しむのに対し、最先端のモデルでは流動性はあるが不完全な要約を生成する。
論文 参考訳（メタデータ） (2025-05-03T14:21:48Z)
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。