論文の概要: scBench-Long: Verifiable Benchmarking of Long-Horizon Single-Cell Biology

• arxiv url: http://arxiv.org/abs/2606.26563v1
• Date: Thu, 25 Jun 2026 03:21:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.152137
• Title: scBench-Long: Verifiable Benchmarking of Long-Horizon Single-Cell Biology
• Title（参考訳）: scBench-Long: 長距離単細胞生物学の検証可能なベンチマーク
• Abstract要約: 長距離単細胞生物学のベンチマークである scBench-Long を紹介する。 scBench-Longは、エージェントが局所的な分析段階を超えて複雑な科学的主張を行うことができるかどうかを評価する。 1,068タスクで最強のモデルハーネスペアは16/63ラン(25.4%)をパスした。
• 参考スコア（独自算出の注目度）: 6.518767416778027
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single-cell studies require analysts to convert raw measurements into specific biological claims through multi-step workflows and integration of metadata, assay context, and auxiliary evidence. Existing AI-biology benchmarks largely measure broad knowledge, executable workflows, or local analysis steps. We introduce scBench-Long, a benchmark for long-horizon single-cell biology in which agents must recover scientific conclusions from raw or near-raw data without prescribed methods. The benchmark contains 21 evaluations spanning melanoma CD8 T-cell reactivity, CD8 RNA+ATAC regulatory inference, human--monkey chimera development, KRAS-driven lung tumor aging, and lethal COVID-19 lung pathology. Tasks cover paired scRNA/TCR sequencing, RNA and chromatin profiling, cross-species transcriptomics, combinatorial scRNA-seq, single-nucleus RNA-seq, immune repertoires, ortholog maps, ligand--receptor resources, and validation evidence. Candidate claims are reproduced, reviewed, and converted into controlled answer vocabularies with deterministic grading and trajectory rubrics. Across 1,068 completed trajectories, the strongest model--harness pair passes 16/63 runs (25.4\%). scBench-Long evaluates whether agents can move beyond local analysis steps and make complex scientific claims that are supported by single-cell data.
• Abstract（参考訳）: 単細胞研究は、分析者が多段階のワークフローやメタデータの統合、文脈、補助的な証拠を通じて、生計測を特定の生物学的クレームに変換することを要求する。 既存のAI生物学ベンチマークは、幅広い知識、実行可能なワークフロー、あるいはローカル分析ステップを主に測定する。 scBench-Longは長期の単細胞生物学のベンチマークであり、エージェントは所定の方法なしで生データや生データから科学的結論を回収しなければならない。 このベンチマークには、メラノーマCD8T細胞反応性、CD8RNA+ATAC制御推論、ヒト-モンキーキメラ発生、KRASによる肺腫瘍の老化、致命的なCOVID-19肺病理に関する21の評価が含まれている。 組合わせのscRNA/TCRシークエンシング、RNAおよびクロマチンプロファイリング、クロス種転写学、コンビナートなscRNA-seq、単一核RNA-seq、免疫レパートリー、オーソログマップ、リガンド-レセプターリソース、バリデーションエビデンスをカバーしている。候補のクレームは、決定論的グレーディングとトラジェクティブを持つ制御された応答語彙に複製され、レビューされ、変換される。1,068を越える完成トラジェクトリでは、最強のモデルハーネスペアが16/63ラン(25.4\%)を超える。 scBench-Longは、エージェントが局所的な分析段階を超えて、単細胞データによって支持される複雑な科学的主張を行うことができるかどうかを評価する。

関連論文リスト

• SCTA: An Agentic Framework for Stable and Interpretable Target Gene Discovery from Single-Cell RNA Sequencing [31.966592797729888]
  SCTA(Single-Cell Target Agent, Single-Cell Target Agent, Single-Cell Target Agent)は、scRNA-seqデータから安定かつ解釈可能なターゲット遺伝子発見のための決定中心のエージェントフレームワークである。 SCTAは分析を1つの汎用推論タスクとして扱うのではなく、単一セルパイプラインにおける重要な決定ポイントに沿った特殊なエージェントにターゲット発見を分解する。
  論文  参考訳（メタデータ） (2026-07-26T19:59:48Z)
• Benchmarking Machine Learning Models for Multi-Omics-Based Breast Cancer Prediction [0.0]
  エストロゲン受容体(ER)は乳癌の診断、予後、治療選択において重要なバイオマーカーである。 本研究では,ER状態予測のための古典的機械学習モデルの系統的ベンチマーク分析を提案する。
  論文  参考訳（メタデータ） (2026-06-27T02:46:40Z)
• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• Verifiable Benchmarking of Long-Horizon Spatial Biology [0.0]
  SpaceBench-Longは、長距離空間生物学のベンチマークである。 複雑な空間測定から正確な科学的結論を導き出すために、AIエージェントが手続き分析の実行を超えて移動できるかどうかをテストする。 Gemini 3.5 Flash / Pi端末の符号化ハーネス、GPT-5.5 / Pi、GPT-5.5 / OpenAI Codexの3つのモデルハーネスペアが8/72で接続される(11.1%)。
  論文  参考訳（メタデータ） (2026-05-27T07:19:18Z)
• RNA-FM: Flow-Matching Generative Model for Genome-wide RNA-Seq Prediction [48.07329582311906]
  本研究では,全スライディング画像からのゲノムワイドRNA配列予測のためのフローマッチング生成フレームワークであるRNA-FMを提案する。 RNA-FMは、連続時間条件付き輸送問題として転写予測を定式化する。 スケーラブルで生物学的に解釈可能なゲノムワイド遺伝子発現抑制を可能にする。
  論文  参考訳（メタデータ） (2026-05-12T06:48:58Z)
• ELISA: An Interpretable Hybrid Generative AI Agent for Expression-Grounded Discovery in Single-Cell Genomics [0.0]
  本稿では,BioBERTに基づくセマンティック検索とSCGPT表現の埋め込みを統合化するための解釈可能なフレームワークであるEmbedding-Linked Interactive Single-cell Agentを紹介する。 炎症性肺疾患、小児および成人がん、オルガノイドモデル、健康な組織、神経発達にまたがる6つの多様なscRNA-seqデータセットをベンチマークした。
  論文  参考訳（メタデータ） (2026-03-12T12:46:22Z)
• scMamba: A Pre-Trained Model for Single-Nucleus RNA Sequencing Analysis in Neurodegenerative Disorders [43.24785083027205]
  scMambaは、snRNA-seq解析の品質と実用性を改善するために設計された事前訓練モデルである。 最近のMambaモデルにインスパイアされた scMamba は、線形アダプタ層、遺伝子埋め込み、双方向のMambaブロックを組み込んだ新しいアーキテクチャを導入している。 scMambaは、セルタイプアノテーション、ダブルト検出、インプット、差分表現された遺伝子の同定など、様々な下流タスクにおいて、ベンチマーク手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-12T11:48:22Z)
• 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)
• Graph Structure Learning for Tumor Microenvironment with Cell Type Annotation from non-spatial scRNA-seq data [6.432270457083369]
  本稿では,細胞型予測と細胞間相互作用解析を強化する新しいグラフニューラルネットワーク(GNN)モデルを提案する。 提案したScGSLモデルは堅牢な性能を示し、平均精度84.83%、精度86.23%、リコール81.51%、F1スコア80.92%を全データセットで達成した。
  論文  参考訳（メタデータ） (2025-02-04T18:28:25Z)
• BEACON: Benchmark for Comprehensive RNA Tasks and Language Models [60.02663015002029]
  本稿では、最初の包括的なRNAベンチマークBEACON(textbfBEnchmtextbfArk for textbfCOmprehensive RtextbfNA Task and Language Models)を紹介する。 まずBEACONは、構造解析、機能研究、工学的応用を網羅した、これまでの広範囲にわたる研究から導かれた13のタスクから構成される。 第2に、CNNのような従来のアプローチや、言語モデルに基づく高度なRNA基盤モデルなど、さまざまなモデルについて検討し、これらのモデルのタスク固有のパフォーマンスに関する貴重な洞察を提供する。 第3に、重要なRNA言語モデルコンポーネントについて検討する。
  論文  参考訳（メタデータ） (2024-06-14T19:39:19Z)
• scHyena: Foundation Model for Full-Length Single-Cell RNA-Seq Analysis in Brain [46.39828178736219]
  我々はこれらの課題に対処し、脳内のscRNA-seq解析の精度を高めるために設計された基礎モデルであるscHyenaを紹介する。 scHyenaは、線形適応層、遺伝子埋め込みによる位置エンコーディング、および双方向ハイエナ演算子を備えている。 これにより、生データから情報を失うことなく、全長の scRNA-seq データを処理できる。
  論文  参考訳（メタデータ） (2023-10-04T10:30:08Z)
• Predicting Molecular Phenotypes with Single Cell RNA Sequencing Data: an Assessment of Unsupervised Machine Learning Models [0.0]
  本研究は、異種腫瘍における治療抵抗性表現型分類における教師なし機械学習の評価である。 scRNAseqは細胞のmRNAを定量化し、細胞表現型を特徴づける。 このパイプラインから生成されたクラスターは、がん細胞の挙動と悪性成長を理解するために使用できる。
  論文  参考訳（メタデータ） (2021-08-11T05:30:37Z)

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。