論文の概要: Prompt-to-Paper: Agentic AI System for Bioinformatics
- arxiv url: http://arxiv.org/abs/2607.05456v1
- Date: Sun, 05 Jul 2026 21:30:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.266944
- Title: Prompt-to-Paper: Agentic AI System for Bioinformatics
- Title（参考訳）: Prompt-to-Paper:バイオインフォマティクスのためのエージェントAIシステム
- Abstract要約: 本稿では,この評価ギャップに直接対処するマルチエージェントフレームワークであるPrompt-to-Paperを紹介する。
まず,有意な60-100論文のコーパスにおいて,各クレームに有意な関連性評価と雪玉の引用拡張を施した決定論的検索拡張生成パイプラインについて検討した。
第二に、自律符号化エージェントは、合成出力を真に数値的な結果に置き換える実際の計算生物学実験を実行する。
第三に、8次元の自動品質スコアラで、公表された論文からの概ね参照統計をベンチマークし、明示的な幻覚の罰則を付加し、標準化された再現可能な品質評価を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While recent advances in large language models have enabled end-to-end automated manuscript generation, existing systems suffer from three critical deficiencies: (i) generated claims are not deterministically grounded in verifiable literature, (ii) experimental results are frequently fabricated rather than executed, and (iii) there exists no standardized, multi-dimensional framework to assess whether AI-generated manuscripts meet the quality and rigor required for real-world publication. We present Prompt-to-Paper, a multi-agent framework that directly addresses this evaluation gap through three integrated innovations. First, a deterministic retrieval-augmented generation pipeline with section-aware relevance scoring and snowball citation expansion grounds every claim in a verifiable corpus of 60--100 papers. Second, an autonomous coding agent executes real computational biology experiments replacing synthetic outputs with genuine numerical results. Third, an eight-dimensional automated quality scorer, benchmarked with approximate reference statistics from published papers and augmented with explicit hallucination penalties, provides standardized, reproducible quality assessments. The quality-driven improvement loop uses a context-rich reviser that routes each iteration to one of three researcher actions and fires a deep research cycle every ten iterations to re-run experiments and re-manuscript from stronger outputs. We validate the system on five bioinformatics case studies; all five cases compiled submission-formatted PDFs with zero out-of-range citations. The improvement loop raises manuscript quality by an average of +17.96 points on a 0--100 scale (maximum +26.04. As partial external checks, a human reviewer scored the five manuscripts at an average of 7.0 out of 10. Complete manuscripts are produced at approximately 0.31 USD per paper.
- Abstract（参考訳）: 近年の大規模言語モデルの進歩により、エンドツーエンドの自動原稿生成が可能になったが、既存のシステムは3つの重大な欠陥に悩まされている。
i) 生成されたクレームは、検証可能な文献に決定論的に基礎を置いていない。
(二)実験結果が実行されるよりむしろしばしば作成され、
(三)現実の出版に必要な品質と厳密さをAI生成写本が満たすかどうかを評価するための標準化された多次元の枠組みは存在しない。
本稿では,この評価ギャップに直接対処するマルチエージェントフレームワークであるPrompt-to-Paperを紹介する。
まず,有意な60-100論文のコーパスにおいて,各クレームに有意な関連性評価と雪玉の引用拡張を施した決定論的検索拡張生成パイプラインについて検討した。
第二に、自律符号化エージェントは、合成出力を真に数値的な結果に置き換える実際の計算生物学実験を実行する。
第三に、8次元の自動品質スコアラで、公表された論文からのほぼ参照統計をベンチマークし、明示的な幻覚の罰則で拡張することで、標準化された再現可能な品質評価を提供する。
品質駆動改善ループでは、各イテレーションを3つの研究者のアクションの1つにルーティングし、10回ごとに深い研究サイクルを起動して、実験を再実行し、より強力なアウトプットから書き直します。
バイオインフォマティクスのケーススタディとして,全5例において, 提案書形式のPDFを編集し, アウト・オブ・レンジの引用をゼロとした。
改善ループは、0-100スケール(最大+26.04)で平均+17.96ポイントの原稿品質を高める。
部分的な外部チェックとして、人間レビュアーは、平均して10点中7.0点の5つの原稿を採点した。
完全な原稿は1紙あたり約0.31米ドルで生産される。
関連論文リスト
- PaperDoctor: Evidence-Grounded and Actionable Feedback for Scientific Papers in Progress [130.58520199343707]
PaperDoctorは,3つの重要なイノベーションを備えた,サブミッション前のフィードバックのためのエージェントフレームワークである。
まず、全体論的階層的なフレームワークは、書き込み、レイアウト、参照、コード、理論、先行作業、実験を評価します。
第二に、各発見には、観察、文、方程式、コードラインなどの特定の証拠へのポインタ、修正提案が含まれる。
第3に、PaperDoctorはクレームの重要性と計算予算に基づいて実験を選択的に再構築し、再実行する。
論文 参考訳（メタデータ） (2026-09-15T11:08:11Z) - Deep Academic Survey: Stateful Agentic Closed-Loop Paradigm for Academic Survey Automation [60.151050016855834]
DASは出版指向の学術調査を作成するためのステートフルなエージェント・フレームワークである。
その鍵となる考え方は、再利用可能な紙分析とトピック固有の原稿構築を分離することである。
DASは4つの次元で最高点に達し、総合スコアは4.34であり、最強の競争相手は4.03である。
論文 参考訳（メタデータ） (2026-08-18T17:29:00Z) - ScientistOne: Towards Human-Level Autonomous Research via Chain-of-Evidence [57.37494162084001]
チェーン・オブ・エビデンス(Chain-of-Evidence, CoE)は、すべてのクレームがエビデンス・ソースにトレース可能であることを要求する検証可能なフレームワークである。
CoE Auditはポストホック監査であり、スコア検証、仕様違反、参照検証、メソッドコードアライメントという4つの整合性チェックが全システムに均一に適用される。
論文 参考訳（メタデータ） (2026-05-25T21:30:27Z) - AI for Auto-Research: Roadmap & User Guide [107.0834449839233]
研究ライフサイクル全体にわたってAIをエンドツーエンドに分析する。
我々は、信頼できる援助と信頼できない自律性の間に、鋭くステージに依存した境界を特定できる。
障害モードを排除するのではなく、より大きな自動化が不明瞭であることが示されています。
論文 参考訳（メタデータ） (2026-05-18T17:08:26Z) - MLReplicate: Benchmarking Autonomous Research Systems for Machine Learning Reproducibility [2.2969445973129123]
我々は機械学習の自律的な研究システムを評価するエンドツーエンドのベンチマークであるMLReplicateを紹介する。
このベンチマークは、ICML 2025論文から標準化された入力仕様に改定され、6つの最先端の研究システムで評価された。
自動レビューとは対照的に、人間レビュアーは、方法論上の欠陥、幻覚的な実験結果、全てのシステムにまたがる失敗を一貫して特定した。
論文 参考訳（メタデータ） (2026-05-15T20:35:32Z) - The Last Human-Written Paper: Agent-Native Research Artifacts [106.47848184955576]
本稿では,物語紙を機械処理可能な研究パッケージに置き換えるプロトコルであるAgent-Native Research Artifact(ARA)を紹介する。
通常の開発において決定と終了をキャプチャするLive Research Manager、レガシPDFとリポジトリをARAに変換するARAコンパイラ、人間レビュアーが重要性、ノベルティ、味にフォーカスできるように客観的チェックを自動化するARAネイティブレビューシステムである。
論文 参考訳（メタデータ） (2026-04-27T16:23:09Z) - PaperOrchestra: A Multi-Agent Framework for Automated AI Research Paper Writing [43.290959385976414]
PaperOrchestraは、自動AI研究論文作成のためのマルチエージェントフレームワークである。
制約のない事前制約された資料を提出可能な原稿に変換する。
PaperWritingBenchは、200の上位階層のAIカンファレンス論文から、リバースエンジニアリングされた原料の最初の標準ベンチマークである。
論文 参考訳（メタデータ） (2026-04-06T18:00:00Z) - NoveltyAgent: Autonomous Novelty Reporting Agent with Point-wise Novelty Analysis and Self-Validation [34.18769961207746]
包括的で忠実なノベルティレポートを生成するために設計されたマルチエージェントシステムであるNovetyAgentを紹介する。
写本を細かな検索と比較のために離散的な新規点に分解し、総合的な関連論文データベースを構築する。
実験の結果、NovetyAgentは最先端のパフォーマンスを達成し、GPT-5 DeepResearchを10.15%上回った。
論文 参考訳（メタデータ） (2026-03-21T17:19:11Z) - AutoMalDesc: Large-Scale Script Analysis for Cyber Threat Research [81.04845910798387]
脅威検出のための自然言語の説明を生成することは、サイバーセキュリティ研究において未解決の問題である。
本稿では,大規模に独立して動作する自動静的解析要約フレームワークAutoMalDescを紹介する。
アノテーション付きシード(0.9K)データセットや方法論,評価フレームワークなど,100万以上のスクリプトサンプルの完全なデータセットを公開しています。
論文 参考訳（メタデータ） (2025-11-17T13:05:25Z) - A Reproducible, Scalable Pipeline for Synthesizing Autoregressive Model Literature [0.0]
自己回帰生成モデルは何千もの論文を生み出しており、手動による文献調査や再生研究はますます非現実的になっている。
パブリックリポジトリから候補文書を自動的に検索する,完全オープンソースで再現可能なパイプラインを提案する。
最大1000の論文のコーパスの実験では、8人のCPUワーカーによるほぼ直線的なスケーラビリティが実証されている。
論文 参考訳（メタデータ） (2025-08-06T16:33:20Z) - News Summarization and Evaluation in the Era of GPT-3 [73.48220043216087]
GPT-3は,大規模な要約データセット上で訓練された微調整モデルと比較する。
我々は,GPT-3サマリーが圧倒的に好まれるだけでなく,タスク記述のみを用いることで,現実性に乏しいようなデータセット固有の問題に悩まされることも示している。
論文 参考訳（メタデータ） (2022-09-26T01:04:52Z) - SummEval: Re-evaluating Summarization Evaluation [169.622515287256]
総合的かつ一貫した方法で14の自動評価指標を再評価する。
上記の自動評価指標を用いて,最近の要約モデル23をベンチマークした。
我々は、CNN/DailyMailニュースデータセットでトレーニングされたモデルによって生成された最大の要約コレクションを組み立てる。
論文 参考訳（メタデータ） (2020-07-24T16:25:19Z)
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。