Prompt-to-Paper：バイオインフォマティクスのためのエージェント型AIシステム

近年、大規模言語モデルの進歩によりエンドツーエンドの自動原稿生成が可能になりましたが、既存のシステムには3つの重大な欠陥があります。生成された主張が検証可能な文献に確定的に基づいていない、実験結果が実際に実行されるのではなく捏造されることが多い、そして現実の出版に必要な品質と厳密さを評価する標準化された多次元フレームワークが存在しないことです。

これらの問題に対処するため、研究者らはPrompt-to-Paperと呼ばれるマルチエージェントフレームワークを提案しました。このフレームワークは3つの統合された革新により評価ギャップを直接埋めます。第一に、セクションを意識した関連性スコアリングとスノーボール引用拡張を備えた決定論的検索拡張生成パイプラインにより、各主張を60〜100の論文の検証可能なコーパスに基づかせます。この方法により、各主張が信頼できる文献に裏付けられ、架空の引用を避けることができます。

第二に、自律的なコーディングエージェントが実際の計算生物学実験（例えば遺伝子発現解析やタンパク質構造予測）を実行し、合成出力を本物の数値結果に置き換えます。これにより、AI生成論文によく見られる実験データの捏造問題が排除され、結果の再現性が確保されます。

第三に、8次元の自動品質スコアラーは、公開論文の近似参照統計でベンチマークされ、明示的な幻覚ペナルティが追加され、標準化された再現可能な品質評価を提供します。このスコアラーは科学性、完全性、可読性などの複数の次元をカバーし、AIの幻覚に対して特にペナルティを課します。

品質駆動型の改善ループは、コンテキストリッチな改訂者を使用し、各イテレーションを3つの研究者アクション（内容の再生成、実験の補完、分析の修正）の1つにルーティングし、10イテレーションごとにディープリサーチサイクルを起動して実験を再実行し、より強力な出力から原稿を再生成します。このシステムは5つのバイオインフォマティクスケーススタディで検証され、5つのケースすべてが提出形式のPDFを生成し、範囲外の引用はゼロでした。改善ループにより、原稿の品質は0〜100スケールで平均+17.96ポイント向上し、最大+26.04ポイントでした。部分的な外部チェックとして、人間のレビュアーは5つの原稿を平均7.0/10と評価しました。完全な原稿は1論文あたり約0.31米ドル（API呼び出しと計算リソースを含む）で生成されます。

この論文は2026年7月5日にarXivに提出され、著者はRamsha Kamranら6名で、主題は人工知能（cs.AI）、計算と言語（cs.CL）、定量手法（q-bio.QM）をカバーしています。Prompt-to-PaperはAI支援学術執筆の新しい標準を設定し、研究の生産性を加速し、論文の品質を向上させることが期待されます。