論文の概要: Learning Scientific Trajectories to Predict Future Biomedical Discoveries

• arxiv url: http://arxiv.org/abs/2610.38719v1
• Date: Wed, 28 Oct 2026 19:15:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:09.997715
• Title: Learning Scientific Trajectories to Predict Future Biomedical Discoveries
• Title（参考訳）: 将来の生物医学的発見を予測するための科学的な軌道の学習
• Abstract要約: ForeSCITEは,刊行された結論のテーマクラスタを識別するフレームワークである。 結論を再構築するために訓練された埋め込み言語モデルは、投影された座標を自然言語の仮説に復号する。
• 参考スコア（独自算出の注目度）: 11.976473804938522
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI co-scientists have expanded the use of large language models for generating scientific hypotheses and guiding experimental investigation. Here we investigate whether temporal patterns in the semantic representations of complete biomedical conclusions can guide hypothesis generation. We introduce ForeSCITE, a framework that identifies thematic clusters of published conclusions, estimates a direction separating earlier from more recent findings within each cluster, and projects existing conclusion embeddings along these directions. An embedding language model trained to reconstruct conclusions decodes the projected coordinates into natural-language hypotheses. Across 407 clusters derived from approximately three million pre-cutoff conclusions, we identify temporal structure and illustrate its retention after decoding. In retrospective, time-sliced evaluations, ForeSCITE increases semantic coverage beyond the historical corpus, biomedical entity-pair novelty and post-cutoff pair re-observation relative to five prompt-based and retrieval-augmented baselines. Expert review of prioritized CAR-T hypotheses identified 37 candidates as both novel and biologically plausible, and expert justifications for five selected hypotheses illustrate their biological rationale and subsequent literature support where available. These findings support temporal guidance in semantic space as a scalable mechanism for proposing biomedical hypotheses for subsequent scientific evaluation.
• Abstract（参考訳）: AIの共同研究者は、科学的仮説の生成と実験的調査の指導のために、大きな言語モデルの使用を拡張した。 本稿では,完全な生医学的結論のセマンティックな表現における時間的パターンが仮説生成を導くことができるかどうかを考察する。 ForeSCITEは、公開された結論のテーマクラスタを識別するフレームワークであり、各クラスタ内のより最近の発見から切り離された方向を推定し、これらの方向に沿って既存の結論の埋め込みを計画する。 結論を再構築するために訓練された埋め込み言語モデルは、投影された座標を自然言語の仮説に復号する。 約300万のカットオフ前の結論から導かれた407個のクラスタにわたって、時間構造を同定し、復号後の保持を図示する。 振り返りにおいて、ForeSCITEは、5つのプロンプトベースおよび検索強化ベースラインに対して、歴史的コーパス、バイオメディカルエンティティペアノベルティ、およびポストカット後のペア再観測を超えたセマンティックカバレッジを増大させる。 優先順位付けされたCAR-T仮説のエキスパートレビューでは、37人の候補者が新規かつ生物学的に妥当であるとされ、5つの選択された仮説に対する専門家の正当性は、その生物学的根拠とその後の文献サポートが利用可能であることを示している。 これらの知見は、後続の科学的評価のために生医学的仮説を提案するためのスケーラブルなメカニズムとして、意味空間における時間的ガイダンスを支持している。

関連論文リスト

• BioPhys-Bridge: A Benchmark for Interdisciplinary Scientific Reasoning in Physics-Grounded Biological Research [1.6515283355197958]
  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。
  論文  参考訳（メタデータ） (2026-09-15T12:53:16Z)
• Hakken: Predicting future discoveries to fill the gaps in today's knowledge [40.777614666509685]
  本稿では,知識予測を行うドメインに依存しない予測・説明システムであるHakkenを紹介する。 Hakkenは、膨大な研究論文から抽出された知識グラフの時間的シーケンスに基づいて構築されたトランスフォーマーベースの予測モデルを使用する。 生体医学領域に適用することで,ハッケンの実用能力を実証する。
  論文  参考訳（メタデータ） (2026-09-03T21:28:36Z)
• Evidence-Grounded Frontier Mapping and Agentic Hypothesis Generation in Nanomedicine [5.717419738557379]
  pArticleMapは、文献作成と研究・仮説生成システムである。 pArticleMapは、将来的なコンセプトの共起を予測するのではなく、低密度の記事レベルブリッジリージョンとクラスタインターフェースをターゲットにしている。 タスクレベルの維持仮説では、プールされた金の回収率は10.8%となり、リコール@10は15.9%、将来の隣接レートは61.0%となった。
  論文  参考訳（メタデータ） (2026-05-18T09:50:11Z)
• BioVerge: A Comprehensive Benchmark and Study of Self-Evaluating Agents for Biomedical Hypothesis Generation [16.117624717812863]
  我々は、総合的なベンチマークであるBioVergeとLLMベースのエージェントフレームワークであるBioVerge Agentを導入し、バイオメディカル仮説生成のための標準化された環境を構築する。 本データセットは, LLMエージェントによる探索を支援するために組織された, 歴史的生物医学的仮説とPubMed文献から得られた構造化およびテキストデータを含む。
  論文  参考訳（メタデータ） (2025-11-12T01:09:52Z)
• Hypothesis Hunting with Evolving Networks of Autonomous Scientific Agents [52.50038914857797]
  この過程を仮説探索と呼び、膨大な複雑な仮説空間を横断する持続的な探索を通して洞察を累積的に探索する。 本稿では、エージェント、ネットワーク、評価規範の相互作用としてフレームワークモデリングディスカバリであるAScienceを紹介し、ASCollabとして実装する。 実験により、このような社会的ダイナミクスは、多様性-品質-ノーベルティフロンティアに沿った専門家評価結果の蓄積を可能にすることが示された。
  論文  参考訳（メタデータ） (2025-10-08T08:47:07Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• 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)
• Literature-based Discovery for Landscape Planning [1.1939762265857434]
  本研究は, ランドスケープと都市計画者のための新しい研究角度を導出するために, 医療用コーパスの仮説生成をいかに活用できるかを実証する。 AGATHAは、新興感染症(EID)と森林破壊の潜在的な概念的関係を明らかにするために用いられた。 この研究は、医学データベース仮説の生成を医学隣接仮説発見に適用するための部分的な概念実証としても機能する。
  論文  参考訳（メタデータ） (2023-06-05T04:32:46Z)
• SciMON: Scientific Inspiration Machines Optimized for Novelty [68.46036589035539]
  文献に基づく新たな科学的方向を生成するために,ニューラルランゲージモデルを探索し,拡張する。 モデルが入力背景コンテキストとして使用される新しい設定で、劇的な出発をとっています。 本稿では,過去の科学的論文から「吸入」を抽出するモデリングフレームワークであるSciMONを紹介する。
  論文  参考訳（メタデータ） (2023-05-23T17:12:08Z)

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。