論文の概要: Evaluating Agentic Bioinformatics through Function, Evidence, and Validation
- arxiv url: http://arxiv.org/abs/2607.27556v1
- Date: Thu, 30 Jul 2026 01:00:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.355275
- Title: Evaluating Agentic Bioinformatics through Function, Evidence, and Validation
- Title（参考訳）: 機能・エビデンス・バリデーションによるエージェントバイオインフォマティクスの評価
- Abstract要約: 大規模言語モデルエージェントは、生物学的分析を計画し、実行し、解釈し、しかし、流動的な応答、成功したツールコール、ベンチマークパフォーマンスだけでは科学的信頼性を確立できない。
ワークフロー操作の実証,動作とクレームのトレース可能なサポート,ユースケース固有のバリデーションを分離するFEV(Function-Evidence-Validation)フレームワークを紹介した。
FEVを用いて、109のエージェントまたはエージェント・アジャセント・システムと28のベンチマークまたは評価リソースをマッピングし、ゲノム学、単一細胞および空間オミクス、タンパク質科学、薬物発見、計算病理学、一般バイオインフォマティクスの自動化に関する128のユニークな出版物を表現した。
- 参考スコア（独自算出の注目度）: 6.840730950777982
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language model agents increasingly plan, execute, and interpret biological analyses, yet fluent responses, successful tool calls, and benchmark performance alone do not establish scientific credibility. Existing reviews primarily organize biological agents by application, architecture, and agentic capability, but do not jointly operationalize the accountability of agent-generated workflows. We address this gap by treating the inspectable workflow trajectory, rather than architecture or final output alone, as the primary unit of analysis. We introduce the Function--Evidence--Validation (FEV) framework, which separates demonstrated workflow operations, traceable support for actions and claims, and use-case-specific validation. Using FEV, we map 109 agentic or agent-adjacent systems and 28 benchmark or evaluation resources, representing 128 unique publications across genomics, single-cell and spatial omics, protein science, drug discovery, computational pathology, and general bioinformatics automation. Across domains, planning and tool-mediated execution have advanced more rapidly than replayability, provenance, robust scientific assessment, external validation, and prospective empirical testing. We therefore argue that agentic bioinformatics should be assessed through workflow correctness rather than final-answer correctness alone. FEV provides a practical basis for comparing systems and designing transparent, auditable, and scientifically accountable bioinformatics workflows.
- Abstract（参考訳）: 大規模言語モデルエージェントは、生物学的分析を計画し、実行し、解釈し、しかし、流動的な応答、成功したツールコール、ベンチマークパフォーマンスだけでは科学的信頼性を確立できない。
既存のレビューは主に、アプリケーション、アーキテクチャ、エージェント能力によって生物学的エージェントを編成するが、エージェント生成ワークフローの説明責任を共同で運用することはない。
アーキテクチャや最終出力のみではなく、検査可能なワークフローの軌跡を分析の主単位として扱うことで、このギャップに対処する。
本稿では,ワークフロー操作の実証,動作とクレームのトレース可能なサポート,ユースケース固有のバリデーションを分離するFEV(Function-Evidence-Validation)フレームワークを紹介する。
FEVを用いて、109のエージェントまたはエージェント・アジャセント・システムと28のベンチマークまたは評価リソースをマッピングし、ゲノム学、単一細胞および空間オミクス、タンパク質科学、薬物発見、計算病理学、一般バイオインフォマティクスの自動化に関する128のユニークな出版物を表現した。
ドメイン全体にわたって、計画とツールによる実行は、再現性、証明、堅牢な科学的評価、外部検証、そして将来の経験的テストよりも急速に進歩している。
したがって, エージェントバイオインフォマティクスは, 最終回答のみの正解ではなく, ワークフローの正解によって評価されるべきである。
FEVは、システムを比較し、透明で監査可能で科学的に説明可能なバイオインフォマティクスワークフローを設計するための実践的な基盤を提供する。
関連論文リスト
- Agentic AI in medicine: architectures, applications, evaluation, and challenges for clinical translation [16.678400738326236]
医療におけるエージェントAIの範囲は依然として未解決であり、現在の評価プラクティスは、まだ臨床使用の要件に合致していない。
5つの電子源にまたがる系統的エビデンスマッピング,1649件の輸出記録,57件の特有な研究を含むスコーピングレビューを行った。
これらの研究は、検索および外部知識、マルチモーダルエージェント、および医療質問応答、画像解釈、電子健康記録分析、薬物安全性、臨床治験予測に適用されるマルチエージェントシステムによって支援される、外部ツールを使用する単一のエージェントについて記述している。
論文 参考訳（メタデータ） (2026-07-28T09:25:25Z) - AutoResearch AI: Towards AI-Powered Research Automation for Scientific Discovery [184.2309450554096]
AutoResearchはAIを活用した科学ワークフロー自動化の開発スペクトルとして定義されている。
我々は、研究システムが制御、エビデンス、実行、検証、説明責任を再分配し、その分野を組織化する方法について分析する。
本稿では,5つの評価次元 – ノベルティ,インパクト,信頼性,証明 – を提案し,AutoResearchの自律性はドメイン条件であることを示す。
論文 参考訳（メタデータ） (2026-05-22T03:40:30Z) - 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) - Can Coding Agents Reproduce Findings in Computational Materials Science? [49.254975563645786]
本稿では,大規模言語モデルの科学的主張を再現する能力を評価するためのベンチマークであるAutoMatを紹介する。
課題を専門とする専門家と緊密に連携することで、実際の材料科学論文からの一連の主張をキュレートし、コーディングエージェントがエンドツーエンドのワークフローを回復し実行できるかどうかを検証します。
結果、現在のLSMベースのエージェントはAutoMatの全体的な成功率を低くし、最も優れた設定は54.1%に過ぎなかった。
論文 参考訳（メタデータ） (2026-05-01T17:42:12Z) - Towards Agentic Intelligence for Materials Science [73.4576385477731]
この調査は、コーパスキュレーションからプレトレーニングから、シミュレーションと実験プラットフォームに面した目標条件付きエージェントまで、ユニークなパイプライン中心の視点を推し進める。
コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。
論文 参考訳（メタデータ） (2026-01-29T23:48:43Z) - BiomechAgent: AI-Assisted Biomechanical Analysis Through Code-Generating Agents [1.1458853556386797]
本稿では、自然言語による生体力学解析を可能にするコード生成AIエージェントであるBiomechAgentを紹介する。
データ検索,可視化,活動分類,時間的セグメンテーション,臨床推論を対象とするベンチマークを開発した。
生体力学的にインフォームドされたドメイン固有の命令は、ジェネリックプロンプトよりもパフォーマンスを著しく改善した。
論文 参考訳（メタデータ） (2026-01-16T04:30:04Z) - SpatialBench: Can Agents Analyze Real-World Spatial Biology Data? [6.993633248897315]
本研究では,実践的な空間分析から得られた146の検証可能な問題のベンチマークであるSpatialBenchを紹介する。
各問題は、分析ステップの直前に実験データのスナップショットを提供する。
ベースモデルの精度は依然として低く、強力なモデルタスクとモデルプラットフォーム相互作用がある。
論文 参考訳（メタデータ） (2025-12-26T07:40:11Z) - 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) - Simple Agents Outperform Experts in Biomedical Imaging Workflow Optimization [69.36509281190662]
生産レベルのコンピュータビジョンツールを科学データセットに適応させることは、重要な"ラストマイル"ボトルネックである。
我々は、AIエージェントを使ってこの手動コーディングを自動化し、最適なエージェント設計のオープンな問題に焦点を当てる。
簡単なエージェントフレームワークが、人間-専門家のソリューションよりも優れた適応コードを生成することを実証する。
論文 参考訳（メタデータ） (2025-12-02T18:42:26Z) - Biomedical reasoning in action: Multi-agent System for Auditable Biomedical Evidence Synthesis [19.14228623181563]
バイオメディカル領域における透明でエージェントベースの推論とエビデンス統合のための実証システムであるM-Reasonについて述べる。
M-Reasonは、大規模言語モデル(LLM)とモジュールエージェントオーケストレーションの最近の進歩を活用して、様々なバイオメディカルデータソース間のエビデンス検索、評価、合成を自動化する。
オープンでインタラクティブなユーザインターフェースにより、研究者はマルチエージェントワークフローを直接観察し、調査し、評価することができる。
論文 参考訳（メタデータ） (2025-10-06T19:57:29Z) - LLM Agent Swarm for Hypothesis-Driven Drug Discovery [2.7036595757881323]
ファーマシュワーム(PharmaSwarm)は、新規な薬物標的および鉛化合物の仮説を提唱し、検証し、洗練するために、特殊な「エージェント」を編成する統合マルチエージェントフレームワークである。
PharmaSwarmはAIの副操縦士として機能することで、翻訳研究を加速し、従来のパイプラインよりも効率的に高信頼の仮説を提供することができる。
論文 参考訳（メタデータ） (2025-04-24T22:27:50Z) - 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)
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。