論文の概要: BioPhys-Bridge: A Benchmark for Interdisciplinary Scientific Reasoning in Physics-Grounded Biological Research
- arxiv url: http://arxiv.org/abs/2609.19180v1
- Date: Tue, 15 Sep 2026 12:53:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.933645
- Title: BioPhys-Bridge: A Benchmark for Interdisciplinary Scientific Reasoning in Physics-Grounded Biological Research
- Title（参考訳）: BioPhys-Bridge:物理を取り巻く生物学研究における学際的科学的推論のベンチマーク
- Abstract要約: BioPhys-Bridgeは、生物物理学の文献を根拠とした科学的推論のための新しいベンチマークデータセットである。
最初のリリースには500のケースと1,517のエージェント対応タスクが含まれ、6つの生物学的ドメインと9つの物理モデルファミリーをカバーする。
- 参考スコア（独自算出の注目度）: 1.6515283355197958
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Language models face unique challenges in analyzing interdisciplinary scientific research literature. In biophysics research, faithful answers require grounding observed data in source evidence, interpreting it through a quantitative physics model, and linking it to a biological mechanism. To address this challenge, we introduce BioPhys-Bridge, a novel benchmark dataset for evidence-grounded scientific reasoning over biophysical literature. Each case contains evidence blocks, stable evidence IDs, quantitative values, units, equations, assumptions, mechanisms, and next decisions as grounding targets for question answering (QA) and retrieval-augmented generation (RAG). The initial release contains 500 cases, 1,517 agent-facing tasks, and covers six biological domains and nine physical model families, including three sparse families reserved for future expansion. We enforce strict quality gates for all cases in schema, evidence-integrity, quantitative-grounding, source-license, duplicate, unit-normalization, with domain expert review and annotation for 81 cases. Preliminary evaluations show that DeepSeek-V4-Flash obtain the highest evidence-ID $F_1$ score (0.360), followed by Qwen3.7-Max (0.316) and GPT-4o-mini (0.294). BioPhys-Bridge is an interdisciplinary benchmark for evaluating attribution, faithfulness, hallucination reduction, and biological experiment design with complex, multi-step scientific reasoning. Future works will increase the size and complexity of the dataset and perform comprehensive evaluations. Code and data are available in the GitHub repository and on Hugging Face.
- Abstract（参考訳）: 言語モデルは、学際的な科学研究文献を分析する上で、ユニークな課題に直面している。
生物物理学の研究において、忠実な答えは、観測されたデータを証拠として根拠付け、それを定量的な物理モデルを通して解釈し、生物学的メカニズムにリンクすることを必要とする。
この課題に対処するために、バイオ物理文献を根拠とした科学的推論のための新しいベンチマークデータセットであるBioPhys-Bridgeを紹介した。
それぞれのケースには、エビデンスブロック、安定したエビデンスID、定量値、単位、方程式、仮定、メカニズム、そして次の決定が、質問応答(QA)と検索強化生成(RAG)の根拠となる。
最初のリリースには500件のケースと1,517件のエージェント対応タスクが含まれており、6つの生物ドメインと9つの物理モデルファミリーをカバーしている。
スキーマ、エビデンス・インテリジェンス、定量グラウンド、ソースライセンス、重複、ユニット正規化のすべてのケースに対して厳格な品質ゲートを、81件のドメインエキスパートレビューとアノテーションで実施します。
予備評価では、DeepSeek-V4-Flashが最も高いエビデンス(ID$F_1$スコア(0.360)、Qwen3.7-Max(0.316)、GPT-4o-mini(0.294)が得られる。
BioPhys-Bridgeは、帰属性、忠実性、幻覚の減少、複雑な多段階の科学的推論による生物学的実験設計を評価するための学際的なベンチマークである。
今後の作業では、データセットのサイズと複雑さが増加し、包括的な評価が実施される。
コードとデータはGitHubリポジトリとHugging Faceで入手できる。
関連論文リスト
- 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) - A Systematic Survey and Benchmark of Deep Learning for Molecular Property Prediction in the Foundation Model Era [57.5440098776759]
分子特性予測は、量子化学、化学情報学、深層学習を統合し、分子構造と生物学的挙動を結びつける。
この調査は、Quantum、Descriptor Machine Learning、Geometric Deep Learning、Foundation Modelsの4つの補完パラダイムをトレースする。
ベンチマーク分析は、広く使われているデータセットと業界的な視点を反映したデータセットの両方からエビデンスを統合する。
論文 参考訳（メタデータ） (2026-04-17T15:16:33Z) - BABE: Biology Arena BEnchmark [51.53220868983288]
BABEは、生物学的AIシステムの実験的推論能力を評価するために設計されたベンチマークである。
われわれのベンチマークは、AIシステムが科学者を実践するのと同じように、いかにうまく判断できるかを評価するための堅牢なフレームワークを提供する。
論文 参考訳（メタデータ） (2026-02-05T16:39:20Z) - HiSciBench: A Hierarchical Multi-disciplinary Benchmark for Scientific Intelligence from Reading to Discovery [50.8841471967624]
HiSciBenchは、完全な科学的ワークフローを反映した5つのレベルにわたる基礎モデルを評価するために設計された階層的なベンチマークである。
HiSciBenchには、6つの主要な科学分野にまたがる8,735件の慎重に管理された事例が含まれている。
論文 参考訳（メタデータ） (2025-12-28T12:08:05Z) - Enabling Down Syndrome Research through a Knowledge Graph-Driven Analytical Framework [0.4376081656448856]
ダウンシンドローム(Down syndrome)は、様々な臨床症状を有する多面性遺伝疾患である。
異質性や断片化されたデータは、包括的な研究と翻訳の発見に挑戦する。
7,148人の参加者,456の条件,501の表現型,および37,000以上の生物種を統合されたインフラストラクチャに変換する知識グラフ駆動型プラットフォームを開発した。
論文 参考訳（メタデータ） (2025-09-01T15:50:38Z) - A Survey of Scientific Large Language Models: From Data Foundations to Agent Frontiers [251.23085679210206]
科学大規模言語モデル(Sci-LLMs)は、科学研究において、知識の表現、統合、適用の方法を変えつつある。
この調査は、モデルとその基盤となるデータ基板の共進化として、Sci-LLMの開発を再考する。
我々は、科学的データの統一された分類法と、科学的知識の階層的なモデルを定式化する。
論文 参考訳（メタデータ） (2025-08-28T18:30:52Z) - 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) - Benchmarking AI scientists in omics data-driven biological research [3.3605177939410713]
我々は,生物発見を生み出すAI科学者の能力を評価するために,生物AI科学者ベンチマーク(BaisBench)を紹介する。
BaisBenchは、31のエキスパートラベル付きシングルセルデータセット上の細胞型アノテーションと、198の複数の質問への回答による科学的発見の2つのタスクで構成されている。
論文 参考訳（メタデータ） (2025-05-13T08:33:54Z) - 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) - ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。
まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。
次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
論文 参考訳（メタデータ） (2023-11-01T14:44:01Z)
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。