論文の概要: HypoKG: Evidence-Disciplined Biomedical Hypothesis Generation Beyond Endpoint Knowledge
- arxiv url: http://arxiv.org/abs/2609.12260v1
- Date: Thu, 10 Sep 2026 22:36:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.559604
- Title: HypoKG: Evidence-Disciplined Biomedical Hypothesis Generation Beyond Endpoint Knowledge
- Title（参考訳）: hypoKG: エンドポイント知識を超えたバイオメディカル仮説の生成
- Abstract要約: 大規模言語モデル(LLMs)は生医学的な仮説を生成できるが、科学的証拠から真に理にかなうものなのか、あるいは単に説得力のあるアイデアを生み出すものなのかは定かではない。
我々は3つの主要な生物学的データベースを統一された生化学知識グラフに結合し、ソースの酵素レア疾患終末を繋ぐ550の経路のベンチマークを構築した。
ソースと疾患の終端が与えられたモデルは、しばしば最も高いスコアの仮説を導出し、LLMが最小限の情報から魅力的なアイデアを生成できることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models (LLMs) can generate biomedical hypotheses, but it remains unclear whether they truly reason from scientific evidence or simply produce convincing-sounding ideas. To study this, we combine three major biological databases: the Kyoto Encyclopedia of Genes and Genomes (KEGG), Rhea, and UniProt, into a unified biochemical knowledge graph and construct a benchmark of 550 paths connecting enzyme sources to rare disease endpoints, yielding 13,200 hypotheses from six LLMs under four conditions varying the biological information each model receives: source enzyme only, full biological path, or source and disease endpoint only. Hypotheses are scored using an expert-derived five-criterion rubric on a 1-5 scale per criterion. We find that models given both the source and disease endpoint often produce the highest-scoring hypotheses, showing that LLMs can generate compelling ideas from minimal information. However, these hypotheses are less grounded in the evidence. In contrast, models given the full biological path generate hypotheses more consistent with known mechanistic relationships. We call this evidence-disciplined reasoning. To confirm this effect, we shuffled intermediate path steps while keeping endpoints fixed. Evidence grounding dropped significantly (delta = -0.793, p < 0.001), confirming models genuinely used path structure during reasoning. Our findings show that knowledge graphs support hypothesis generation in two ways: they identify biological endpoint pairs absent from the literature, and their mechanistic paths guide how LLMs reason between them.
- Abstract（参考訳）: 大規模言語モデル(LLMs)は生医学的な仮説を生成できるが、科学的証拠から真に理にかなうものなのか、あるいは単に説得力のあるアイデアを生み出すものなのかは定かではない。
そこで本研究では,京都遺伝子・ゲノム百科事典(KEGG),Rhea,UniProtの3つの主要な生物データベースを統一された生化学知識グラフに統合し,酵素源をまれな疾患終端に接続する550経路のベンチマークを構築した。
仮説は専門家由来の5基準ルーブリックを用いて1基準あたり1-5スケールで得られる。
ソースと疾患の終端が与えられたモデルは、しばしば最も高いスコアの仮説を導出し、LLMが最小限の情報から魅力的なアイデアを生成できることを示す。
しかし、これらの仮説は証拠の根拠になっていない。
対照的に、完全な生物学的経路が与えられたモデルは、既知の力学関係とより一致した仮説を生成する。
私たちはこの証拠を専門の推論と呼ぶ。
この効果を確認するために、エンドポイントを固定しながら中間経路のステップをシャッフルした。
エビデンス・グラウンドリングは(デルタ = -0.793, p < 0.001)著しく低下し、推論中に真に経路構造を使用したモデルが確認された。
文献から欠落する生物学的終端対を同定し,それらの力学経路は,LLMがそれらの間にどのような意味を持つのかを導く。
関連論文リスト
- HypoEvolve: Genetic Algorithms Enable Multi-Agent LLMs to Discover Scientific Hypotheses [35.57672494910454]
エージェントコラボレーションの異なる形態が仮説品質にどのように影響するかは、未解決の問題である。
仮説人口の連続的な更新を通じて協調を明確にするHypoEvolveを紹介する。
各世代は、科学的判断と新しい提案がいかに人口を再形成するかを規定し、仮説品質への協調効果を直接的に検証できる。
論文 参考訳（メタデータ） (2026-09-14T17:44:49Z) - HyGRAIL: Cost-Aware and Evidence-Grounded Scientific Hypothesis Discovery over Knowledge Graphs [27.213223725307106]
HyGRAILは、グラフニューラルネットワークと仮説レビューを組み合わせたコスト認識フレームワークである。
知識グラフ(KG)からノードレベルアソシエーションとマルチホップリレーショナルパスを検索する。
MatKGでは、HyGRAILが0.429得点を獲得し、最強のベースラインを0.242F1点、GNNのみのベースラインを0.322点に改善した。
論文 参考訳（メタデータ） (2026-09-02T03:34:21Z) - Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning [103.788281428856]
SciReasonerは、タンパク質、小さな分子、無機結晶をまたいだ自然構造推論のための科学基盤モデルである。
SciReasonerは座標、トポロジ、周期接続性を統一された構造対応語彙に識別する。
86のベンチマークで、SciReasonerは67のタスクで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-07-08T17:59:59Z) - BioReason: Incentivizing Multimodal Biological Reasoning within a DNA-LLM Model [12.528834366422466]
BioReasonは論理的、生物学的に一貫性のある還元物を生成することを学ぶ。
KEGGによる疾患経路予測の精度は86%から98%に向上する。
また、強いベースラインよりも平均15%の変動効果予測を改善する。
論文 参考訳（メタデータ） (2025-05-29T15:49:27Z) - Toward Reliable Scientific Hypothesis Generation: Evaluating Truthfulness and Hallucination in Large Language Models [18.850296587858946]
TruthHypoは,真理仮説を生成する上で,大規模言語モデルの能力を評価するためのベンチマークである。
KnowHDは知識に基づく幻覚検出装置で、既存の知識に基づいて仮説がどれだけうまく構築されているかを評価する。
論文 参考訳（メタデータ） (2025-05-20T16:49:40Z) - HypoBench: Towards Systematic and Principled Benchmarking for Hypothesis Generation [24.656083479331645]
仮説生成手法を複数の側面にわたって評価するための新しいベンチマークである hypoBench を紹介する。
既存の6つの仮説生成手法と組み合わせた4つの最先端LCMの評価を行った。
結果は、現在の仮説生成手法がすべての関連するパターンや意味のあるパターンを完全には明らかにしていないため、改善の余地がまだ大きいことを示している。
論文 参考訳（メタデータ） (2025-04-15T18:00:00Z) - BioMaze: Benchmarking and Enhancing Large Language Models for Biological Pathway Reasoning [49.487327661584686]
実際の研究から5.1Kの複雑な経路問題を持つデータセットであるBioMazeを紹介する。
CoT法やグラフ拡張推論法などの手法の評価は,LLMが経路推論に苦慮していることを示している。
そこで本稿では,インタラクティブなサブグラフベースのナビゲーションにより推論を強化するLLMエージェントであるPathSeekerを提案する。
論文 参考訳（メタデータ） (2025-02-23T17:38:10Z) - 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) - MOOSE-Chem: Large Language Models for Rediscovering Unseen Chemistry Scientific Hypotheses [95.25947149100533]
大規模言語モデル(LLM)が化学において新規で有効な仮説を自律的に生成できるかどうかは不明である。
我々は、2024年1月以降に発行され、オンライン化された51のハイインパクト化学論文のベンチマークを開発し、それぞれが背景、インスピレーション、仮説を手動で注釈付けした。
LLMは、人間によってまだ認識されていない、潜伏した科学的知識の関連をすでにコード化していると仮定する。
論文 参考訳（メタデータ） (2024-10-09T17:19:58Z) - Context-Aware Reasoning On Parametric Knowledge for Inferring Causal Variables [49.31233968546582]
本稿では,部分因果グラフの完成を目的とした新しいベンチマークを提案する。
原因と効果の間のバックドア変数を仮説化するLLMの強い能力を示す。
固定された関連性の単純な記憶とは異なり、我々のタスクはグラフ全体のコンテキストに応じてLCMを推論する必要がある。
論文 参考訳（メタデータ） (2024-09-04T10:37:44Z) - Evaluating the Potential of Leading Large Language Models in Reasoning
Biology Questions [33.81650223615028]
本研究では,概念生物学的な疑問に答える上で,LLM(Large Language Models)をリードする能力について検討した。
これらのモデルは、分子生物学、生物学的技術、代謝工学、合成生物学における生物学のトピックをカバーする108回の多重選択試験で試験された。
その結果、GPT-4の論理的推論能力と、データ分析、仮説生成、知識統合といった能力を通じて生物学の研究を支援する可能性を示唆した。
論文 参考訳（メタデータ） (2023-11-05T03:34:17Z) - Large Language Models for Automated Open-domain Scientific Hypotheses Discovery [50.40483334131271]
本研究は,社会科学の学術的仮説発見のための最初のデータセットを提案する。
従来のデータセットとは異なり、新しいデータセットには、(1)オープンドメインデータ(RAW Webコーパス)を観察として使用すること、(2)人間性にさらに新しい仮説を提案することが必要である。
パフォーマンス向上のための3つのフィードバック機構を含む,タスクのためのマルチモジュールフレームワークが開発されている。
論文 参考訳（メタデータ） (2023-09-06T05:19:41Z)
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。