[論文レビュー] Revisiting Gene Ontology Knowledge Discovery with Hierarchical Feature Selection and Virtual Study Group of AI Agents

Cen Wan, Alex Rodrigues de Freitas|arXiv (Cornell University)|Mar 20, 2026

Biomedical Text Mining and Ontologies被引用数 0

ひとこと要約

この論文は、階層的特徴選択で選択された ageing 関連の Gene Ontology 知識を抽出するエージェント型 AI 仮想スタディグループを提案し、4つのモデル生物を横断して知見を検証する。多くの AI 生成主張が既存文献と整合していることを示し、フレームワークの内部機構を分析する。

ABSTRACT

Large language models have achieved great success in multiple challenging tasks, and their capacity can be further boosted by the emerging agentic AI techniques. This new computing paradigm has already started revolutionising the traditional scientific discovery pipelines. In this work, we propose a novel agentic AI-based knowledge discovery-oriented virtual study group that aims to extract meaningful ageing-related biological knowledge considering highly ageing-related Gene Ontology terms that are selected by hierarchical feature selection methods. We investigate the performance of the proposed agentic AI framework by considering four different model organisms' ageing-related Gene Ontology terms and validate the biological findings by reviewing existing research articles. It is found that the majority of the AI agent-generated scientific claims can be supported by existing literatures and the proposed internal mechanisms of the virtual study group also play an important role in the designed agentic AI-based knowledge discovery framework.

研究の動機と目的

• 階層的特徴選択で選択された GO term から ageing 関連の生物学的知識を抽出するエージェント型 AI フレームワークを動機づけ、設計する。
• 多層の AI エージェント体系が GO term を解釈し、文献に基づく報告を作成できることを示す。
• ageing 生物学における AI 主導の知識発見プロセスの正確性と有用性を評価する。

提案手法

• Bottom-up Virtual Study Group (VSG) フレームワークを導入し、モデル生物別のジュニア研究者4名、シニア研究者4名、主任研究者を配置する。
• 階層的特徴選択法（HIP、MR、HIP-MR）を用いて ageing-related genes の情報量の多い GO term を選択する。
• CrewAI および Ollama を介して複数の LLM をエージェント核として採用し、報告書を生成・批評し、所見を統合する。
• 文献調査によって AI が生成した主張を検証し、既存研究によって支持されるかどうかを強調する。
• 蔵 GO term セットごとに Worm、Fruit Fly、Mouse、Yeast のタスクを記述し、 ageing プロセスとの関連性を評価する。

実験結果

リサーチクエスチョン

• RQ1 エージェント型 AI ベースの仮想スタディグループは、複数のモデル生物にまたがって ageing に関連する GO term を信頼性高く解釈できるか。
• RQ2 AI が生成した生物学的主張は既存文献で検証可能か。
• RQ3 Bottom-up の多エージェント構造は GO ベースの ageing 知識発見における幻覚を減らし、解釈性を向上させるのに役立つか。
• RQ4 階層的 GO term 選択は、AI エージェントによる信頼性の高い知識抽出をどのように導くか。

主な発見

• ジュニア研究者が生成した主張の多くは ageing biology に既知の知見と整合し、既存文献で検証可能である。
• シニア研究者の批評は過度な一般化を特定し、 ageing メカニズムの組織や文脈依存のニュアンスを指摘する。
• 仮想 ageing 教授は種間での一般化の必要性を強調し、ROS 経路および生殖関連の関連性を複雑で文脈依存的な要因として認識している。
• フレームワークは複数の AI エージェントが協調して GO-term ベースの知識をレビュー・批評・統合できることを示し、単一モデルによる幻覚リスクを低減する。
• 研究は AI 出力の一部の主張が既存の支持を欠く場合があることを指摘し、VSG プロセス内での文献検証の重要性を示す。