Fugu-MT 論文翻訳(概要): Bioinfoysis Technical Report

論文の概要: Bioinfoysis Technical Report

arxiv url: http://arxiv.org/abs/2609.03871v1
Date: Thu, 03 Sep 2026 13:59:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-04 18:28:39.096246
Title: Bioinfoysis Technical Report
Title（参考訳）: バイオインフォイシス技術報告
Abstract要約: textbfBioinfoysisは、各リクエストを永続的なアーティファクト基底解析実行として表現するマルチエージェントハーネスである。制御されたランタイムは、下流の分析やレポートに使用される前に生成されたスクリプト、テーブル、数値を検証する。 4つの基礎言語モデルにおいて、Bioinfoysisは平均精度をSeqQA2で27.81%から64.13%、DbQA2で3.13%から31.25%に向上させる。
参考スコア（独自算出の注目度）: 22.71562563762352
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Large language model agents have shown promise in bioinformatics, but most existing systems focus primarily on producing final answers, treating planning, tool use, and code execution as transient interactions. This design is poorly suited to long-horizon bioinformatics tasks, where conclusions must remain connected to the data, computations, and intermediate evidence that support them. We introduce \textbf{Bioinfoysis}, a multi-agent harness that represents each request as a persistent, artifact-grounded analysis run. Bioinfoysis combines global planning with step-wise, evidence-driven replanning: the planner maintains an executable checklist and revises pending steps using structured handoffs returned after each worker execution. These handoffs bind intermediate results to their responsible agent, checklist step, and plan generation, preventing stale evidence from being silently reused after replanning. A controlled runtime validates generated scripts, tables, and figures before they are used in downstream analysis or reporting, while role-specific context, persistent memory, and governed bioinformatics skills support reliable execution over long analysis trajectories. We evaluate Bioinfoysis on BixBench and two question-answering tracks of LAB-Bench 2. On BixBench, Bioinfoysis achieves state-of-the-art accuracy of 82.4\%. Across four underlying language models, Bioinfoysis increases average accuracy from 27.81\% to 64.13\% on SeqQA2 and from 3.13\% to 31.25\% on DbQA2. These results demonstrate that reliable bioinformatics automation depends not only on model capability, but also on the harness that governs planning, execution, memory, and evidence flow. We hope that the emergence of Bioinfoysis will play a driving and leading role in the development of the bioinformatics community. Our demo website can be seen in https://report.bioinfoysis.com/.
Abstract（参考訳）: 大規模言語モデルエージェントはバイオインフォマティクスにおいて有望であることを示しているが、既存のシステムのほとんどは、最終回答の生成、計画の扱い、ツールの使用、コード実行を過渡的な相互作用として重視している。この設計は、データ、計算、そしてそれらをサポートする中間的証拠に結論がつながらなければならず、長い水平バイオインフォマティクスのタスクには適していない。我々は,各要求を永続的で人工的な解析実行として表現するマルチエージェントハーネスである‘textbf{Bioinfoysis}を紹介した。 Bioinfoysisは、グローバルプランニングとステップワイズでエビデンス駆動のリプランニングを組み合わせる。プランナーは実行可能なチェックリストを維持し、各ワーカーの実行後に返される構造化ハンドオフを使用して、待機中のステップを更新する。これらのハンドオフは、中間結果を責任のあるエージェント、チェックリストステップ、プラン生成に結合し、再計画後の古い証拠が静かに再利用されるのを防ぐ。制御されたランタイムは、下流の分析やレポートに使用される前に生成されたスクリプト、テーブル、数字を検証する。 BixBench上のBioinfoysisとLAB-Bench 2の2つの問合せトラックの評価を行った。 BixBenchでは、Bioinfoysisは最先端の精度82.4\%を達成する。 4つの基礎言語モデル全体で、Bioinfoysisは平均精度をSeqQA2では27.81\%から64.13\%に、DbQA2では3.13\%から31.25\%に引き上げている。これらの結果は、信頼性の高いバイオインフォマティクスの自動化は、モデル能力だけでなく、計画、実行、記憶、エビデンスフローを支配するハーネスにも依存していることを示している。我々は,バイオインフォマティクスの出現が,バイオインフォマティクスコミュニティの発展に推進的かつ主導的な役割を果たすことを願っている。私たちのデモウェブサイトはhttps://report.bioinfoysis.com/で見ることができる。

関連論文リスト

Evaluating Agentic Bioinformatics through Function, Evidence, and Validation [6.840730950777982]
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。
論文参考訳（メタデータ） (2026-07-30T01:00:36Z)
BioInsight: Multi-Agent Orchestration for Interactive Biomedical Knowledge Discovery [34.78175107628791]
静的なバイオメディカルレポート生成からインタラクティブなエビデンス中心のインタラクティブインターフェース生成に移行するマルチエージェントシステムである textscBioInsight を提案する。病名、タンパク質関連表、オプションのコホートメタデータを与えられたバイオインサイトは、タイプされた中間アーティファクトを通して疾患特異的なエビデンスを組織する。このシステムは、機械的推論からエビデンスを分解し、決定論的成分を通して引用を正規化し、レポートで使用される同じ構造化されたエビデンスをインタラクティブなインターフェースに変換する。
論文参考訳（メタデータ） (2026-06-19T00:15:54Z)
Beyond Prompt-Based Planning: MCP-Native Graph Planning-based Biomedical Agent System [0.8857568447033265]
グラフスキャフォールド計画に基づくMSPネイティブなバイオメディカルエージェントであるBioManusを紹介した。また,BioManusは,高度なバイオメディカルエージェントベースラインよりも実行精度,ワークフローの妥当性,コンテキスト効率を向上することを示した。
論文参考訳（メタデータ） (2026-06-03T06:19:25Z)
BioMiner: A Multi-modal System for Automated Mining of Protein-Ligand Bioactivity Data from Literature [53.894504720119805]
生物活性データ抽出のためのマルチモーダル抽出フレームワークであるBioMinerを紹介する。 BioMinerでは、生物活性セマンティクスは直接推論によって推測され、化学構造は化学構造に基づく視覚的セマンティクス推論パラダイムによって解決される。厳密な評価と方法開発のために,500の出版物から得られた16,457の生物活性成分からなるベンチマークを構築した。
論文参考訳（メタデータ） (2026-04-23T10:11:56Z)
BioAgent Bench: An AI Agent Evaluation Suite for Bioinformatics [0.0]
BioAgent Benchは、AIエージェントのパフォーマンスと堅牢性を測定するために設計された、ベンチマークデータセットと評価スイートである。ベンチマークには、自動アセスメントをサポートするための具体的な出力アーティファクトを指定するプロンプトを備えた、エンドツーエンドタスクのキュレートが含まれている。複数のエージェントハーネスをまたいだフロンティアクローズドソースおよびオープンウェイトモデルの評価を行った。
論文参考訳（メタデータ） (2026-01-29T14:44:03Z)
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)
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)
BioT5+: Towards Generalized Biological Understanding with IUPAC Integration and Multi-task Tuning [77.90250740041411]
本稿では,BioT5フレームワークの拡張であるBioT5+を紹介する。 BioT5+ には、分子理解のための IUPAC 名の統合、bioRxiv や PubChem などのソースからの広範なバイオテキストと分子データの統合、タスク間の汎用性のためのマルチタスク命令チューニング、数値データの処理を改善する数値トークン化技術など、いくつかの新機能が含まれている。
論文参考訳（メタデータ） (2024-02-27T12:43:09Z)
An Evaluation of Large Language Models in Bioinformatics Research [52.100233156012756]
本研究では,大規模言語モデル(LLM)の性能について,バイオインフォマティクスの幅広い課題について検討する。これらのタスクには、潜在的なコーディング領域の同定、遺伝子とタンパク質の命名されたエンティティの抽出、抗微生物および抗がんペプチドの検出、分子最適化、教育生物情報学問題の解決が含まれる。以上の結果から, GPT 変種のような LLM がこれらのタスクの多くをうまく処理できることが示唆された。
論文参考訳（メタデータ） (2024-02-21T11:27:31Z)
Progress and Opportunities of Foundation Models in Bioinformatics [77.74411726471439]
基礎モデル(FM)は、特に深層学習の領域において、計算生物学の新しい時代に定着した。我々の焦点は、特定の生物学的問題にFMを応用することであり、研究ニーズに適切なFMを選択するために研究コミュニティを指導することを目的としています。データノイズ、モデル説明可能性、潜在的なバイアスなど、生物学においてFMが直面する課題と限界を分析します。
論文参考訳（メタデータ） (2024-02-06T02:29:17Z)
BioGPT: Generative Pre-trained Transformer for Biomedical Text Generation and Mining [140.61707108174247]
本稿では,大規模生物医学文献に基づいて事前学習したドメイン固有生成型トランスフォーマー言語モデルであるBioGPTを提案する。 BC5CDRでは44.98%、38.42%、40.76%のF1スコア、KD-DTIとDDIの関係抽出タスクでは78.2%、PubMedQAでは78.2%の精度が得られた。
論文参考訳（メタデータ） (2022-10-19T07:17:39Z)

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。