[논문 리뷰] 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)|2026. 03. 20.

Biomedical Text Mining and Ontologies인용 수 0

한 줄 요약

본 논문은 계층적 특징 선택으로 선택된 노화 관련 Gene Ontology 지식을 추출하기 위한 에이전트적 AI 가상 학습 그룹을 제안하고, 네 가지 모델 기관에서 발견을 검증한다. 또한 다수의 AI 생성 주장이 기존 문헌과 일치함을 보이고 프레임워크의 내부 메커니즘을 분석한다.

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.

연구 동기 및 목표

• 계층적 특징 선택으로 선택된 GO 용어에서 노화 관련 생물학 지식을 추출하기 위한 에이전트형 AI 프레임워크를 동기부여하고 설계한다.
• 다층 AI 에이전트 시스템이 GO 용어를 해석하고 문헌 기반의 보고서를 제작하는 방법을 보인다.
• 노화 생물학에서 AI 주도 지식 발견 과정의 정확성과 유용성을 평가한다.

제안 방법

• 4개 모델 생물에 특화된 주니어 연구자 4명, 선임 연구자 4명, 총책임 연구자를 포함한 Bottom-up Virtual Study Group (VSG) 프레임워크를 도입한다.
• 계층적 특징 선택 방법(HIP, MR, HIP-MR)을 사용하여 노화 관련 유전자의 정보성 GO 용어를 선택한다.
• 다수의 LLM들(차례로 CrewAI 및 Ollama)을 에이전트 핵으로 활용하여 보고서를 작성·비판하고 발견을 통합한다.
• 문헌 검토를 통해 AI 생성 주장들을 검증하고 기존 연구에서 뒷받침되거나 뒷받침되지 않는 진술을 강조한다.
• Worm, Fruit Fly, Mouse, Yeast의 각 GO 용어 세트에 대한 과제들을 제시하여 노화 과정과의 연관성을 평가한다.

실험 결과

연구 질문

• RQ1 에이전트형 AI 기반의 가상 학습 그룹이 여러 모델 생물 간에 노화와 연관된 GO 용어를 신뢰성 있게 해석할 수 있는가?
• RQ2 AI가 생성한 생물학적 주장들은 기존 문헌으로 검증될 수 있는가?
• RQ3 Bottom-up 다중 에이전트 구조가 GO 기반 노화 지식 발견에서 환각 현상을 줄이고 해석 가능성을 높이는 데 도움이 되는가?
• RQ4 계층적 GO 용어 선택이 AI 에이전트의 신뢰할 수 있는 지식 추출을 어떻게 안내하는가?

주요 결과

• 대부분의 주니어 연구자 생성 주장은 알려진 노화 생물학과 일치하며 기존 문헌으로 검증될 수 있다.
• 선임 연구자들의 비판은 과일화 일반화의 범위를 제한하고 노화 메커니즘의 조직/맥락 의존적 뉘앙스를 지적하는 데 도움을 준다.
• 가상 노화 교수는 종 간 일반화의 필요성을 강조하고 ROS 경로 및 생식 관련 연관성이 복잡하고 맥락 의존적 요소임을 인정한다.
• 이 프레임워크는 여러 AI 에이전트가 협력하여 GO 용어 기반 지식을 검토, 비판, 합성할 수 있음을 보여 주며 단일 모델 환각 위험을 줄인다.
• 연구는 AI 출력의 일부 주장에 기존의 지지가 부족할 수 있음을 지적하며 VSG 프로세스 내에서 문헌 검증의 중요성을 강조한다.