論文の概要: Autonomous mechanistic discovery of colorectal cancer vulnerabilities via multi-scale AI swarms

• arxiv url: http://arxiv.org/abs/2607.16262v1
• Date: Sun, 28 Jun 2026 18:39:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.063884
• Title: Autonomous mechanistic discovery of colorectal cancer vulnerabilities via multi-scale AI swarms
• Title（参考訳）: マルチスケールAISwarmによる大腸癌の自己診断
• Abstract要約: オクトプス(Octopus)は、ゼロリーカゲ(ゼロリーカゲ)で局所的なLLMスワムと厳密なアルゴリズム物理エンジンを結合する神経シンボルアーキテクチャである。 システムは、インビトロ依存データに対する治療仮説を自律的に生成する。 力学的解釈可能性を用いて動的因果カスケードをトレースした。
• 参考スコア（独自算出の注目度）: 8.752003883104182
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The acceleration of automated scientific discovery has been fundamentally bottlenecked by the epistemic gap between the semantic reasoning of large language models (LLMs) and the deterministic physics of mammalian biology. While recent multi-agent frameworks have achieved autonomous hypothesis generation and in vitro experimental analysis, they lack the mathematically grounded, causal constraints required for multi-scale clinical translation. Furthermore, while algorithmic clinical digital twins successfully forecast biological states, they rely on black-box latent spaces, sacrificing mechanistic interpretability for predictive accuracy. Here, we introduce the Multi-Scale Autonomous Discovery Engine (Octopus), a neuro-symbolic architecture that unites zero-leakage, local LLM swarms with strict algorithmic physics engines. Rather than stopping at isolated cellular assays, the system autonomously generated therapeutic hypotheses against in vitro CRISPR dependency data (CCLE), traced dynamic causal cascades using mechanistic interpretability (XGBoost SHAP vectors), and orthogonally translated the emergent vulnerabilities in silico to predict in vivo mammalian tumor trajectory (PDX) and human overall survival (Marisa). In a fully unsupervised sweep of colorectal cancer transcriptomes, the pipeline autonomously identified Insulin-like Growth Factor 2 (IGF2) as a strictly bounded vulnerability to 5-Fluorouracil resistance. The discovery maintained significance after rigorous Benjamini-Hochberg false discovery rate correction (q=0.0292, Log-Rank p=0.0007 ) and successfully predicted significant in vivo tumor volume shrinkage in an independent mouse cohort (Mann-Whitney p=0.0373). By bridging the chasm between multi-agent reasoning and mathematically bounded clinical survival, this framework establishes a verifiable, zero-leakage paradigm for automated, end-to-end biomedical discovery.
• Abstract（参考訳）: 自動科学的発見の加速は、大型言語モデル(LLM)の意味論的推論と哺乳類生物学の決定論的物理学の相違により、基本的にボトルネックとなっている。 最近のマルチエージェントフレームワークは、自律的な仮説生成とin vitroでの実験分析を実現しているが、マルチスケールな臨床翻訳に必要な数学的基礎と因果関係の制約は欠如している。 さらに、アルゴリズムによるデジタル双生児は生物学的状態を予測できる一方で、ブラックボックスの潜伏空間に頼り、予測精度に機械的解釈性を犠牲にする。 本稿では,アルゴリズム物理エンジンを厳格に組み合わせたゼロリーカジ,局所LLMスワムを結合したニューロシンボリックアーキテクチャであるMulti-Scale Autonomous Discovery Engine(Octopus)を紹介する。 単離細胞アッセイで停止する代わりに、システムはインビトロCRISPR依存性データ(CCLE)に対する治療仮説を自動生成し、機械的解釈可能性(XGBoost SHAPベクター)を用いて動的因果カスケードをトレースし、シリコの創発的脆弱性を直交変換して、インビトロ哺乳動物腫瘍軌跡(PDX)とヒト全体の生存率(Marisa)を予測する。 完全に監督されていない大腸癌の転写産物の網羅において、パイプラインはインスリン様成長因子2(IGF2)を5-フルオロラシル耐性に対する厳密な拘束力のある脆弱性として自律的に同定した。 この発見は、厳密なBenjamini-Hochberg偽発見率補正(q=0.0292, Log-Rank p=0.0007 )の後に重要であり、独立したマウスコホート(Mann-Whitney p=0.0373)において、生体内腫瘍の体積減少を予測できた。 マルチエージェント推論と数学的に有界な臨床生存の間に亀裂を埋めることにより、自動化されたエンドツーエンドの生体医学的発見のための検証可能なゼロリードのパラダイムを確立する。

関連論文リスト

• An immune world model for multiscale forecasting and therapeutic hypothesis generation [76.0289504908521]
  私たちはImmune World Modelを構築するために、支配的な進化的AIサイエンティストを使用しました。 免疫世界モデル(Immune World Model)は、細胞、組織、個体レベルでの免疫状態の移動方法を学ぶ行動条件モデルである。 マルチスケール免疫シミュレーションのためのフレームワークを提供しており、AIサイエンティスト主導のモデル構築、介入予測、そして予想されるテスト可能な治療仮説の生成を接続する。
  論文  参考訳（メタデータ） (2026-09-13T18:06:18Z)
• Explainable AI for Cancer Drug Response Prediction: Beyond Univariate Feature Attributions [4.432106960947219]
  本稿では,複数種類の説明を捉えるための単一遺伝子アセスメントを超えて,スケーラブルなポストホックな説明可能性フレームワークであるILLUME+を紹介する。 ILLUME+は、既存のベースラインよりも安定な遺伝子重要度スコアを生成し、確立された薬物遺伝子関連と作用機構を回復し、AIによる仮説生成により、がん生物学における新たな相互作用駆動分子シグナルを発見できる。
  論文  参考訳（メタデータ） (2026-07-01T13:34:04Z)
• Predicting Immune Biomarkers with MultiModal Mixture-of-Expert Pathology Foundation Models Empowers Precision Oncology [47.79180201495836]
  MixTIMEは、異なるモダリティで訓練された病理基盤モデルを統合したマルチモーダル基礎モデルである。 ヘマトキシリンおよびエオシン全スライディング画像から多重免疫蛍光(mIF)タンパク質の発現を予測する。 MixTIMEは17個のタンパク質マーカーにまたがる最先端のパフォーマンスを相関指標で測定する。
  論文  参考訳（メタデータ） (2026-06-16T16:22:42Z)
• Genotype-Conditioned Molecular Generation via Evidence-Grounded Multi-Objective Latent Perturbation in Diffusion Models [28.58133087329719]
  がん遺伝子型に規定された生成モデルは、パーソナライズされた薬物発見のための有望な道を提供する。 本稿では,事前学習した遺伝子型からドラッグへの拡散モデルに対する潜在空間最適化手法を提案する。 感度, 薬物類似性, 合成性, 化学的妥当性において, 競合するベースラインよりも一貫した, 顕著な改善が見られた。
  論文  参考訳（メタデータ） (2026-05-31T21:43:11Z)
• Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
  パーキンソン病は世界中で1千万人以上に影響している。 個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。 我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
  論文  参考訳（メタデータ） (2026-03-31T02:36:10Z)
• Brain-WM: Brain Glioblastoma World Model [56.45393372490125]
  我々は、次世代治療予測と将来のMRI生成を統一する先駆的なGBMワールドモデルであるBrain-WMを提案する。 Brain-WMは、潜在ダイナミクスを共有潜在空間に符号化し、関節自己回帰治療予測とフローベース将来のMRI生成を行う。 最終的にBrain-WMは、患者医療を最適化するための堅牢な臨床サンドボックスを提供する。
  論文  参考訳（メタデータ） (2026-03-08T09:54:08Z)
• Contextual Invertible World Models: A Neuro-Symbolic Agentic Framework for Colorectal Cancer Drug Response [4.796382757669091]
  精度オンコロジーは現在、小さなN、大きなPパラドックスによって制限されている。 このギャップを埋めるニューロシンボリックエージェントフレームワークを提案する。 われわれのフレームワークは、癌研究における説明可能なAIへの透明で生物学的に根ざした道を提供する。
  論文  参考訳（メタデータ） (2026-03-01T16:15:58Z)
• Biologically Disentangled Multi-Omic Modeling Reveals Mechanistic Insights into Pan-Cancer Immunotherapy Resistance [0.9787436863401008]
  転写情報とゲノムデータを統合する深層生成モデルであるBDVAE(Biologically Disentangled Variational Autoencoder)を導入する。 366人のパン・カンサー・コホートに適用すると、BDVAEは治療反応を正確に予測する。 免疫抑制、代謝シフト、神経シグナル伝達などの重要な抵抗機構を明らかにする。
  論文  参考訳（メタデータ） (2025-08-26T03:33:56Z)
• Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
  オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。 症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。 臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
  論文  参考訳（メタデータ） (2025-08-20T01:58:45Z)
• Towards an AI co-scientist [48.11351101913404]
  Gemini 2.0上に構築されたマルチエージェントシステムであるAIコサイシストを紹介する。 このAIの共同科学者は、新しい独創的な知識を解明し、明らかに新しい研究仮説を定式化することを目的としている。 システムの設計には、科学的手法にインスパイアされた仮説生成への生成、議論、進化のアプローチが組み込まれている。
  論文  参考訳（メタデータ） (2025-02-26T06:17:13Z)
• Sensitivity analysis of biological washout and depth selection for a machine learning based dose verification framework in proton therapy [19.718172235291647]
  陽電子放出体を用いた線量検証は, 品質保証ツールとして有望である。 実用化に向けて一歩前進するためには、生物学的洗浄と深度選択という2つの要因の感度分析を行う必要がある。 提案するAIフレームワークは,2つの要因に関連する摂動に対して良好な免疫力を示す。
  論文  参考訳（メタデータ） (2022-12-21T20:43:35Z)

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。