論文の概要: Plausibility-Driven Prioritization of Candidate Biomedical Annotations
- arxiv url: http://arxiv.org/abs/2607.20163v1
- Date: Wed, 22 Jul 2026 13:58:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:38.099735
- Title: Plausibility-Driven Prioritization of Candidate Biomedical Annotations
- Title（参考訳）: 可塑性によるカンジケートバイオメディカルアノテーションの優先順位付け
- Authors: Emanuele Cavalleri, Miad Alavinezhad, Dario Malchiodi, Marco Mesiti,
- Abstract要約: 本稿では,バイオKGを利用して候補アノテーションの妥当性を推定し,専門家のキュレーションをガイドするフレームワークを提案する。
次に,分類器の信頼性,分類器の信頼性,意味的文脈を組み合わせた妥当性尺度群を紹介する。
以上の結果から,bioKGsの使用は,最終アノテーション評価に対する専門家の制御を維持しつつ,AIによるバイオメディカルキュレーションの効率を向上させることが示唆された。
- 参考スコア（独自算出の注目度）: 1.3999481573773072
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid growth of biomedical knowledge has made the validation of automatically generated biological annotations a major bottleneck in biomedical curation. While computational methods can rapidly produce large numbers of candidate annotations, determining which are biologically valid still requires costly expert review. Prioritizing these candidates before manual curation has therefore become a fundamental challenge. Machine learning techniques can support this process by exploiting biomedical knowledge graphs (bioKGs), which capture biological entities and their functional associations. In this work, we propose a framework that leverages bioKGs to estimate the plausibility of candidate annotations and guide expert curation. Starting from knowledge graph embeddings, we train relation-specific binary classifiers using a community-based negative sampling strategy to obtain reliable confidence estimates. We then introduce a family of plausibility measures that combine classifier confidence, classifier reliability, and the semantic context provided by alternative relationships involving the same pair of biological entities. Unlike conventional confidence estimation, the proposed approach explicitly accounts for multiple biologically meaningful relations that may coexist between the same entities. Experimental results on five large bioKGs demonstrate that the proposed negative sampling strategy consistently improves classifier robustness, increasing balanced accuracy by an average of 5.8%. Moreover, the plausibility measures outperform classifier confidence alone, enabling more effective prioritization of candidate annotations for expert review. Overall, our results show that the use of bioKGs improves the efficiency of AI-assisted biomedical curation while preserving expert control over the final annotation assessment.
- Abstract（参考訳）: バイオメディカル知識の急速な成長により、自動生成された生物学的アノテーションの検証は、バイオメディカルキュレーションにおいて大きなボトルネックとなった。
計算手法は急速に多数の候補アノテーションを生成できるが、どの生物学的に有効かを決定するには、高価な専門家によるレビューが必要である。
そのため、これらの候補を手作業によるキュレーションの前に優先順位付けすることが根本的な課題となっている。
機械学習技術は、バイオメディカル知識グラフ(bioKG)を利用して、生物学的実体とその機能的関連をキャプチャすることで、このプロセスを支援することができる。
本研究では,バイオKGを利用して候補アノテーションの妥当性を推定し,専門家のキュレーションをガイドするフレームワークを提案する。
知識グラフの埋め込みから始めると、コミュニティベースのネガティブサンプリング戦略を用いて関係固有二項分類器を訓練し、信頼度を推定する。
次に, 分類器の信頼性, 分類器の信頼性, および同一の生物学的実体を包含する別の関係によって提供される意味的文脈を組み合わさった妥当性尺度のファミリーを導入する。
従来の信頼度推定とは異なり、提案手法は、同一の実体間で共存する可能性のある複数の生物学的意義のある関係を明示的に説明する。
5つの大きなバイオKG実験の結果、提案した負のサンプリング戦略は、常に分類器の堅牢性を向上し、平均5.8%の精度でバランスがとれることを示した。
さらに、妥当性は分類器の信頼性を単独で向上させ、専門家レビューのための候補アノテーションのより効果的な優先順位付けを可能にする。
以上の結果から,bioKGsの使用は,最終アノテーション評価に対する専門家のコントロールを維持しつつ,AIによるバイオメディカルキュレーションの効率を向上することが示された。
関連論文リスト
- Stein-Encoder: A White-Box Supervised Encoder via Stein Identities in Multi-Modal Studies [2.993434602225802]
臨床効果を誘導する遺伝子シグナルを分離するためのホワイトボックス制御フレームワークであるStein-Encoderを提案する。
METABRICコホートに適用されたStein-Encoderは、教師なしベンチマークよりも予測精度が高い。
腫瘍の大きさは主に有糸分裂ネットワークによって引き起こされているのに対し、予後指標は異なる増殖・対向免疫軸に依存している。
論文 参考訳（メタデータ） (2026-05-25T11:43:09Z) - BioBO: Biology-informed Bayesian Optimization for Perturbation Design [10.086893225706321]
本稿では,生物インフォームドベイズ最適化(Biology-Informed Bayesian Optimization, BioBO)を提案する。
BioBOは、生物学的に根ざした前駆体と、有望な遺伝子に対する探索をバイアスする原則的枠組みによる獲得機能を組み合わせる。
以上の結果から,BioBOはラベリング効率を25～40%向上させ,従来のBOよりも常に優れており,高い性能の摂動を識別する。
論文 参考訳（メタデータ） (2025-09-24T10:50:06Z) - 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) - Revolutionizing Biomarker Discovery: Leveraging Generative AI for Bio-Knowledge-Embedded Continuous Space Exploration [20.419747013569268]
本稿では,2つの重要なモジュールを持つバイオマーカー識別フレームワークを提案する。
第1モジュールはマルチエージェントシステムを使用して,バイオマーカーサブセットのペアと,それに対応する予測精度をトレーニングデータとして自動収集する。
第2のモジュールは、収集したデータの知識を連続的な空間に圧縮するために、エンコーダ-評価器-デコーダ学習パラダイムを使用する。
論文 参考訳（メタデータ） (2024-09-23T23:36:30Z) - BioDiscoveryAgent: An AI Agent for Designing Genetic Perturbation Experiments [112.25067497985447]
そこで,BioDiscoveryAgentを紹介した。このエージェントは,新しい実験を設計し,その結果の理由を明らかにし,仮説空間を効率的にナビゲートし,望ましい解に到達させる。
BioDiscoveryAgentは、機械学習モデルをトレーニングすることなく、新しい実験を独自に設計することができる。
6つのデータセットで関連する遺伝的摂動を予測することで、平均21%の改善が達成されている。
論文 参考訳（メタデータ） (2024-05-27T19:57:17Z) - Exploring the In-context Learning Ability of Large Language Model for
Biomedical Concept Linking [4.8882241537236455]
本研究では,生物医学的概念リンクのための大規模モデルのコンテキスト内学習機能を活用する手法について検討する。
提案手法は2段階のレトリーブ・アンド・ランク・フレームワークを採用する。
BC5CDRの病体正規化では90.%、化学体正規化では94.7%の精度を達成した。
論文 参考訳（メタデータ） (2023-07-03T16:19:50Z) - BiomedGPT: A Generalist Vision-Language Foundation Model for Diverse Biomedical Tasks [68.39821375903591]
汎用AIは、さまざまなデータ型を解釈する汎用性のために、制限に対処する可能性を秘めている。
本稿では,最初のオープンソースかつ軽量な視覚言語基盤モデルであるBiomedGPTを提案する。
論文 参考訳（メタデータ） (2023-05-26T17:14:43Z) - Biomedical named entity recognition using BERT in the machine reading
comprehension framework [16.320249089801884]
バイオメディカルな名前付きエンティティ認識(BioNER)を実現する新しい手法を提案する。
そこで我々は,BioNERタスクをシーケンスラベリング問題として扱う代わりに,機械読解問題として定式化する。
提案手法は,BC4CHEMD,BC5CDR-Chem,BC5CDR-Disease,NCBI-Disease,BC2GMおよびJNLPBAデータセット上での最先端(SOTA)性能を実現する。
論文 参考訳（メタデータ） (2020-09-03T10:10:20Z)
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。