論文の概要: Evaluating and improving AI agents for sequencing protocol understanding

• arxiv url: http://arxiv.org/abs/2610.37851v1
• Date: Tue, 27 Oct 2026 18:58:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:09.903538
• Title: Evaluating and improving AI agents for sequencing protocol understanding
• Title（参考訳）: プロトコル理解のシーケンシングのためのAIエージェントの評価と改善
• Abstract要約: 既存の科学的エージェントベンチマークでは、エージェントがシーケンシングプロトコルによって指定された正確な分子構造を再構築できるかどうかをほとんど評価していない。 LibStructBenchは、シーケンシング・ライブラリ構造と分子フロンティア表現を再構成するための文書グラウンドベンチマークである。
• 参考スコア（独自算出の注目度）: 2.981345137131593
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing scientific-agent benchmarks rarely evaluate whether agents can reconstruct the exact molecular structures and generation workflows specified by sequencing protocols, a capability critical for analyzing customized sequencing assays. We introduce LibStructBench, a document-grounded benchmark for reconstructing sequencing-library structures and molecular workflows. Our experiments show that frontier agents often produce approximately correct reconstructions but remain unreliable at exact reconstruction, particularly in molecular-state representation and workflow connectivity. Switching the underlying language model produced larger average performance differences than switching agent harnesses, with a statistically significant difference only for molecular-state reconstruction. Additional knowledge improved oligo-family recovery in a small pilot without improving mean molecular-workflow scores. Autonomous accumulation of procedural rules and cross-protocol examples showed non-monotonic validation performance and no mean held-out molecular-workflow improvement in the tested trajectory. These findings highlight the need for more controlled and verifiable approaches to scientific reasoning about molecular processes in complex experimental protocols.
• Abstract（参考訳）: 既存の科学的エージェントベンチマークでは、エージェントがシークエンシングプロトコルによって指定された正確な分子構造と生成ワークフローを再構築できるかどうかはほとんど評価されていない。 LibStructBenchは、シーケンシング・ライブラリ構造と分子ワークフローを再構築するための文書グラウンドベンチマークである。 実験の結果,フロンティアエージェントはよくほぼ正確な再構成を行うが,特に分子状態の表現やワークフロー接続において,正確な再構成では信頼性が低いことがわかった。 基礎となる言語モデルを切り替えることにより,分子状態再構成にのみ統計的に有意な差がみられた。 余分な知識は、平均分子ワークフロースコアを改善することなく、小さなパイロットでオリゴファミリーの回復を改善した。 プロシージャ規則とクロスプロトコール規則の自律的な蓄積は,非モノトニックな検証性能を示し,試験軌道における分子-ワークフローの改善は平均しなかった。 これらの知見は、複雑な実験的プロトコルにおける分子過程に関する科学的推論に対する、より制御され検証可能なアプローチの必要性を浮き彫りにした。

関連論文リスト

• Towards Generalizable and Evidential Nuclear Magnetic Resonance-Based Molecular Structure Elucidation via Large Language Model Agent [14.26731930385033]
  核磁気共鳴分光法は分子構造解明の金標準である。 データベース検索は、新しい足場を特定できない。 本稿では,大規模言語モデルを用いたNMRAgentについて述べる。
  論文  参考訳（メタデータ） (2026-06-29T04:38:01Z)
• Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
  我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。 従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。 本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-10T06:30:19Z)
• BIOME-Bench: A Benchmark for Biomolecular Interaction Inference and Multi-Omics Pathway Mechanism Elucidation from Scientific Literature [12.185152549393152]
  BIOME-Benchは、マルチオミクス解析において、大規模言語モデル(LLM)の2つのコア機能を評価するために、厳格な4段階のワークフローによって構築される。 両タスクの評価プロトコルを開発し、複数の強力な現代モデルにまたがる包括的実験を行う。
  論文  参考訳（メタデータ） (2025-12-31T09:01:27Z)
• MoleculeCLA: Rethinking Molecular Benchmark via Computational Ligand-Target Binding Analysis [18.940529282539842]
  約140,000個の小分子からなる大規模かつ高精度な分子表現データセットを構築した。 我々のデータセットは、モデルの開発と設計をガイドするために、重要な物理化学的解釈性を提供します。 このデータセットは、分子表現学習のためのより正確で信頼性の高いベンチマークとして機能すると考えています。
  論文  参考訳（メタデータ） (2024-06-13T02:50:23Z)
• UAlign: Pushing the Limit of Template-free Retrosynthesis Prediction with Unsupervised SMILES Alignment [51.49238426241974]
  本稿では,テンプレートのないグラフ・ツー・シーケンスパイプラインであるUAlignを紹介した。 グラフニューラルネットワークとトランスフォーマーを組み合わせることで、分子固有のグラフ構造をより効果的に活用することができる。
  論文  参考訳（メタデータ） (2024-03-25T03:23:03Z)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
  分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
  論文  参考訳（メタデータ） (2022-02-13T04:56:18Z)

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。