論文の概要: BioDyad: Synchronize Biomedical Discovery and Machine Learning Engineering

• arxiv url: http://arxiv.org/abs/2609.31939v1
• Date: Fri, 25 Sep 2026 19:37:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 04:24:11.969593
• Title: BioDyad: Synchronize Biomedical Discovery and Machine Learning Engineering
• Title（参考訳）: BioDyad: バイオメディカルディスカバリと機械学習エンジニアリングの同期
• Abstract要約: モンテカルログラフサーチにおける2つの階層を通して,生物医学的発見とML工学を結合したBioDyadを紹介する。 4つのエージェントメソッドとバックエンドの1ショットベースラインの中で、最もペナル化された全タスクスコアとタスク成功率を達成する。 これらの結果は、異種バイオメディカルタスクにわたる実行可能プログラムに外部知識を統合するために、バイオメディカル発見とMLエンジニアリングのコーディネートを支援する。
• 参考スコア（独自算出の注目度）: 37.97425952164735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agentic biomedical machine learning (ML) draws on complementary advances in biomedical evidence acquisition and executable program search. Existing systems connect aspects of these capabilities, but coordinating them throughout program search remains challenging. New evidence must guide candidate construction, execution outcomes must inform subsequent discovery and reuse, and validation demands must fit the search budget. We introduce BioDyad, which couples biomedical discovery and ML engineering through two hierarchies within Monte Carlo graph search. Its scientific hierarchy combines prior biomedical guidance with iterative discovery, then links biomedical plans to execution outcomes in memory for reuse across candidates. Its engineering hierarchy moves candidate programs from smoke execution, through train/validation evaluation, to full-data retraining. We evaluate BioDyad on the 76-task BioXArena benchmark under a two-hour per-task budget with three matched LLM backends. It achieves the highest penalized all-task score and task success rate among four agent methods and a one-shot baseline under each backend. These results support coordinating biomedical discovery and ML engineering to integrate external knowledge into executable programs across heterogeneous biomedical tasks.
• Abstract（参考訳）: エージェント・バイオメディカル・機械学習(ML)は、バイオメディカル・エビデンス(英語版)の取得と実行可能なプログラム検索において補完的な進歩を生かしている。 既存のシステムはこれらの機能の側面を接続するが、プログラム検索を通してそれらを調整することは依然として困難である。 新たな証拠は、候補の構築をガイドし、実行結果はその後の発見と再利用を通知し、検証要求は検索予算に適合しなければならない。 モンテカルログラフサーチにおける2つの階層を通して,生物医学的発見とML工学を結合したBioDyadを紹介する。 その科学的階層は、以前の生物医学的なガイダンスと反復的な発見を組み合わせ、生物医学的な計画と記憶における結果とを結びつけて、候補をまたいで再利用する。 そのエンジニアリング階層は、候補プログラムを煙実行から、列車/バリデーション評価を経て、フルデータ再トレーニングに移行する。 76タスクのBioXArenaベンチマークでBioDyadを2時間毎の予算で評価し、3つのLLMバックエンドをマッチングした。 4つのエージェントメソッドとバックエンドの1ショットベースラインの中で、最もペナル化された全タスクスコアとタスク成功率を達成する。 これらの結果は、異種バイオメディカルタスクにわたる実行可能プログラムに外部知識を統合するために、バイオメディカル発見とMLエンジニアリングのコーディネートを支援する。

関連論文リスト

• ABC-Bench: An Agentic Bio-Capabilities Benchmark for Biosecurity [0.6157382820537719]
  大規模言語モデル(LLM)は、生物研究に関連する能力の獲得が急速に進んでいる。 これらの能力は、科学的な発見とバイオメディカルな進歩の新たな機会を提供するが、バイオセキュリティのリスクの展望も変えている。 本稿では,エージェントバイオセキュリティ関連能力を測定するためのエージェントバイオ能力ベンチマーク(ABC-Bench)を紹介する。
  論文  参考訳（メタデータ） (2026-06-09T17:35:37Z)
• From Intention To Implementation: Automating Biomedical Research via LLMs [30.32209981487504]
  本稿では,ドライラボ実験を含むバイオメディカル研究プロセス全体を合理化するための,初のエンドツーエンド自動システムであるBioResearcherを紹介する。 BioResearcherはモジュール型のマルチエージェントアーキテクチャを採用し、検索、文学処理、実験設計、プログラミングのための特殊エージェントを統合している。 生成されたプロトコルは、平均して5つの品質指標で典型的なエージェントシステムよりも22.0%優れています。
  論文  参考訳（メタデータ） (2024-12-12T16:35:05Z)
• 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)
• 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)
• 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)

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。