論文の概要: DrugTargetWorld: A Synthetic Biobank for Training and Benchmarking AI Scientists
- arxiv url: http://arxiv.org/abs/2610.09558v1
- Date: Wed, 07 Oct 2026 06:59:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.768985
- Title: DrugTargetWorld: A Synthetic Biobank for Training and Benchmarking AI Scientists
- Title（参考訳）: DrugTargetWorld:AI科学者のトレーニングとベンチマークのための合成バイオバンク
- Abstract要約: DrugTargetWorldは、既知のが隠された因果構造を持つシミュレートされたバイオバンクを手続き的に生成するフレームワークである。
それぞれの世界には、54,000人の参加者のための遺伝子型、タンパク質、健康記録、結果、および合成磁気共鳴イメージング(MRI)が含まれている。
心血管系20領域の540エピソードの9エージェントと3つの実験的予算について検討した。
- 参考スコア（独自算出の注目度）: 3.569920149712202
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Drug target discovery requires distinguishing molecules that causally drive disease from those that are merely associated with it. Training and evaluating AI agents to perform this workflow end-to-end is difficult because real world biobanks lack known causal ground truth and participant-level data is access controlled. We introduce DrugTargetWorld, a framework that procedurally generates simulated biobanks, or "worlds," with known but concealed causal structure. Each world contains genotypes, proteins, health records, outcomes, and synthetic magnetic resonance imaging (MRI) for 54,000 participants. Agents must construct a disease phenotype, identify causal driver proteins, infer the beneficial direction of modulation, and optionally conduct virtual 'wet lab' experiments. We evaluated nine agents in 540 episodes across 20 cardiovascular worlds and three experimental budgets. Opus 5 and GPT-5.6 Sol achieved the highest mean composite scores, 39.98 and 35.38 of 100, respectively, and both recovered 64% of causal drivers on average. However, no agent reliably distinguished misleading non-causal proteins, and performance remained limited by the integrative judgments required to connect phenotype construction, causal evidence, and intervention decisions. By making each world's causal structure known to the evaluator but hidden from the agent, DrugTargetWorld turns end-to-end drug target discovery into a scalable training and evaluation problem with verifiable reward.
- Abstract（参考訳）: 薬物の標的発見には、病原体と単に関連付けられている分子を因果的に駆動する分子を区別する必要がある。
このワークフローをエンドツーエンドに実行するためのAIエージェントのトレーニングと評価は、現実世界のバイオバンクには既知の因果的真実が欠如しており、参加者レベルのデータがアクセス制御されているため、難しい。
我々は,シミュレートされたバイオバンク,あるいは"世界"を手続き的に生成するフレームワークであるPaldTargetWorldを紹介した。
それぞれの世界には、54,000人の参加者のための遺伝子型、タンパク質、健康記録、結果、および合成磁気共鳴イメージング(MRI)が含まれている。
エージェントは疾患の表現型を構築し、因果ドライバータンパク質を同定し、調節の有益な方向を推測し、オプションで仮想的な「ウェットラボ」実験を行う必要がある。
心血管系20領域の540エピソードの9エージェントと3つの実験的予算について検討した。
Opus 5 と GPT-5.6 Sol はそれぞれ平均合成スコア 39.98 と 35.38 を達成し、両者とも平均64%の因果ドライバーを回収した。
しかしながら、非因果性タンパク質を確実に誘導するエージェントは存在せず、表現型構築、因果的証拠、介入決定を結びつけるために必要な統合的判断によってパフォーマンスは制限されていた。
それぞれの世界の因果構造を評価者に知られ、エージェントから隠蔽することで、ドラッグターゲットの発見を、検証可能な報酬を伴うスケーラブルなトレーニングと評価問題に変換する。
関連論文リスト
- EarthVerse: Benchmarking Scientific Agents Across Dynamic Earth Systems and Natural Hazards [73.12811119273206]
我々は,包括的調査を通じて科学的エージェントを評価するベンチマークであるEarthVerseを紹介する。
エージェントは異種イベントパッケージを検査し、互換性のあるエビデンスを選択し、透過的な計算を実行し、ソース差を調整し、最終回答で証明を保存する。
システム全体では、平均回答ユニットの精度は84.65%であり、最も高いStrict@95は34.81%である。
論文 参考訳（メタデータ） (2026-08-24T17:29:16Z) - Apodex Discovery: Reality Benchmarks and Environments for Evaluating and Building Discoverative Artificial Intelligence [86.61561123749011]
Apodex Discovery(アポデックスディスカバリー)は、重度解法を用いて発見的AIを構築し評価するためのフレームワークである。
まず16のセクターで511の業界を調査し、423の高価値現実問題を集め、最初のリリースで20を選定した。
第二に、共通の環境-タスク-エピソード抽象化は、データ、ツール、制約、フィードバック、軌跡記録、中間成果物と最終提出物の検証を提供する。
論文 参考訳（メタデータ） (2026-08-11T18:48:40Z) - LabRobFail: A Benchmark for Robotic Failure Analysis in Chemical Self-driving Laboratory [52.26893354670174]
本稿では,化学実験室におけるロボット故障解析の学習と評価を目的とした,障害中心のフレームワークであるLabRobFailを紹介する。
LabRobFail-Simは制御、物理、意味レベルで制御可能な障害を注入する。
LabRobFail-Benchは、タスク理解、障害検出、時間的ローカライゼーション、重大度評価、障害分類、動作可能な修正の6つの機能を評価する。
論文 参考訳（メタデータ） (2026-07-26T14:56:04Z) - CausalGame: Benchmarking Causal Thinking of LLM Agents in Games [55.189910630332065]
CausalGameは、AI Scientistsの因果思考能力を評価するためのベンチマークである。
選択バイアス、測定エラー、隠れた共同設立者を含む14のシナリオを設計します。
最高のモデルは78-85%の分析最適値に対して68.0%しか生存できず、セッションの5-7%は因果推論するルーリックのクレジットを受け取っている。
論文 参考訳（メタデータ） (2026-07-05T13:08:51Z) - An AI agent for treatment reasoning over a biomedical tool universe [35.05540785374698]
1939年以降、FDAが承認した全ての薬物を治療するAIエージェントであるAtheNA-R1を紹介する。
AtheNA-R1は、212のバイオメディカルツールの宇宙上で強化学習によって訓練されている。
治療薬理学では94.7%、治療薬理学では82.9%に達する。
論文 参考訳（メタデータ） (2026-06-27T02:24:56Z) - TxBench-PP: Analyzing AI Agent Performance on Small-Molecule Preclinical Pharmacology [0.0]
人工知能(AI)エージェントは、解釈と意思決定ループを圧縮することで、薬物発見を加速することを約束する。
TherapeuticsBench Preclinical Phharmacology (TxBench-PP) を紹介する。
TxBench-PPは、エージェントが文献から記憶された事実ではなく、実世界のアッセイデータから正確な結論を回復できるかどうかをテストする。
論文 参考訳（メタデータ） (2026-06-17T16:23:45Z) - Science Earth: Towards A Planet-Scale Operating System for AI-Native Scientific Discovery [51.70607714288616]
サイエンスアース(Science Earth)は、惑星規模の科学ランタイムで、あらゆる能力が他のものと接続できる。
その基盤となるEACNプロトコルは、機能を相互に発見し、タスクのオーナシップを交渉し、互換性のない明示的な標準を越えて判断することを可能にする。
2つの実行は、構造的に異なる条件下でこれを検証します。
論文 参考訳（メタデータ） (2026-05-31T16:05:41Z) - AutoScientists: Self-Organizing Agent Teams for Long-Running Scientific Experimentation [28.790523063833376]
AutoScientistsは、長期的な計算科学実験のためのAIエージェントの分散チームである。
エージェントは共有された実験状態を解釈し、実験計算を使用する前に、有望な仮説、批判的な提案に関するチームに自己組織化する。
一致した実験予算の下で、AutoScientistsは、バイオメディカル機械学習、言語モデルトレーニング最適化、タンパク質の適合性予測など、AIエージェントを改良する。
論文 参考訳（メタデータ） (2026-05-27T15:56:12Z) - DispatchMAS: Fusing taxonomy and artificial intelligence agents for emergency medical services [49.70819009392778]
大規模言語モデル (LLM) とマルチエージェントシステム (MAS) は、ディスパッチを増強する機会を提供する。
本研究の目的は,現実的なシナリオをシミュレートする分類基盤型マルチエージェントシステムの開発と評価である。
論文 参考訳（メタデータ） (2025-10-24T08:01:21Z) - Artificial Intelligence-Based Triaging of Cutaneous Melanocytic Lesions [0.8864540224289991]
患者数の増加とより包括的な診断の必要性により、病理学者は作業負荷の増大に直面している。
われわれは,全スライド画像に基づいて皮膚メラノサイト性病変をトリアージする人工知能(AI)モデルを開発した。
論文 参考訳（メタデータ） (2024-10-14T13:49:04Z)
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。