Command Palette
Search for a command to run...
論文集 | 科学研究におけるAI活用の主要成果100選：2025年までの技術革新の概観
過去1年間、AIと科学研究の関係は、深遠でありながら静かな変革を遂げてきました。実験設計、データモデリング、理論的推論に至るまで、人工知能はかつてない速さで科学研究プロセスの中核部分に浸透し、従来のパラダイムでは説明が難しい数々の画期的な成果を生み出しています。 2025 年までに、AI for Science は単なる一連の散在した技術アプリケーションの集合体ではなく、科学研究とイノベーションのための明確で体系的かつ再利用可能な道筋へと徐々に進化していくでしょう。
これまでの「AI支援による科学研究」の試みとは異なり、2025年の大きな変化は次のようになります。AIはもはや単なるツールではなく、科学研究パラダイムの一部になりつつあります。最初から「科学的発見にモデルをどのように取り入れるか」を中心に設計される研究が増えており、方法論的革新と科学的価値を兼ね備えた高品質な結果が数多く生まれています。
HyperAIは、AI4S分野における進歩とブレークスルーに焦点を当て、最先端の論文を体系的に解釈することで、この波の重要な瞬間を記録しています。一方では、最新の研究成果と方法論を構造化され、普遍的に適用可能な方法で整理し、様々な分野の読者にとって理解のハードルを下げることを目指しています。他方では、継続的なアウトプットを通じて、より多くの研究者、エンジニア、そして研究機関が、AIが科学研究の生産性に及ぼす深遠な影響についてより深く理解できるよう支援したいと考えています。
年末から新年を迎えるこの時期は、振り返りと未来への展望を考える上で重要な時期です。この記事では、「HyperAI SuperNeural」について解説します。 2025年に分析された最先端の科学論文向けAIこの本は、バイオメディカル、ヘルスケア、材料化学、気象研究、天文学などの複数の分野を網羅して体系的に構成および分類されており、さまざまな背景を持つ読者が素早く検索して確認するのに便利です。
その他の最先端の論文を見る:
研究に関連するデータセットを表示します。
AI+生物医学
新しい生成モデルと新しいベンチマークにより、無秩序なタンパク質アセンブリの予測力が再形成されます。
秩序無秩序連続体におけるタンパク質アンサンブル予測の進歩
*ソース:bioRxiv
*著者Peptone、Nvidia、MIT などから構成される共同チーム。
*解釈:無秩序なタンパク質アセンブリの予測力を再構築するために、NVIDIA、MIT、オックスフォード大学、コペンハーゲン大学、ペプトンなどが生成モデルと新しいベンチマークをリリースしています。
*紙:
https://www.biorxiv.org/content/10.1101/2025.10.18.680935v1
最初の人間の皮膚レイヤーデータの検証ニューロンモデリングフレームワーク「NOBLE」従来の速度の4200倍の速さ
NOBLE – 生物学的情報に基づく潜在的埋め込みを備えたニューラルオペレータにより、生物学的ニューロンモデルにおける実験的変動を捉える
*ソースニュールIPS 2025
*著者ETHチューリッヒ、カリフォルニア工科大学、アルバータ大学などの共同チーム。
*解釈:従来の方法より4200倍高速！ETHチューリッヒは、ヒト皮質データで検証された初のニューロンモデリングフレームワーク「NOBLE」を提案します。
*紙:
グラフ ニューラル ネットワークである PLACER は、タンパク質の構造的異質性を扱います。
PLACERを用いたタンパク質-小分子コンフォメーションアンサンブルのモデリング
*ソース米国科学アカデミー紀要（PNAS）
*著者ワシントン大学のデイビッド・ベイカー教授の研究チーム
*解釈:タンパク質構造の不均一性という原子レベルのモデリング課題を解決する！David BakerチームによるPLACERフレームワーク解析
*紙:
https://www.biorxiv.org/content/10.1101/2024.09.25.614868v2
Squidiff は、複数のシナリオにわたるトランスクリプトームのシミュレーションを可能にし、精密医療と宇宙医学の発展に貢献します。 Squidiff: 拡散モデルを用いた細胞発達と摂動への応答の予測
*ソース：ネイチャーメソッド
*著者コロンビア大学とスタンフォード大学の共同研究チーム
*解釈:コロンビア大学とスタンフォード大学が提携！Squidiffはマルチシナリオのトランスクリプトームシミュレーションを可能にし、精密医療と宇宙医学の発展に貢献します。
*紙:
https://www.nature.com/articles/s41592-025-02877-y
血液細胞画像分類器と拡散モデルは、臨床専門家の能力を超えて白血病の検出に役立ちます。
血液細胞形態の深層生成分類
*ソース：自然
*著者英国ケンブリッジ大学の研究チーム
*解釈:ケンブリッジ大学は血液細胞画像分類装置を開発しました。その拡散モデルは白血病の検出に役立ち、臨床専門家の能力を上回っています。
*紙:
https://www.nature.com/articles/s42256-025-01122-7
Ctrl-DNA フレームワークにより、特定の細胞における遺伝子発現の「標的制御」が可能になります。
Ctrl-DNA: 細胞特異的シス調節エレメント設計のための制約付き強化学習
*ソースニュールIPS 2025
*著者トロント大学チームとチャンピン研究所の協力
*解釈:NeurIPS 2025に選ばれたトロント大学らは、特定の細胞における遺伝子発現の「標的制御」を実現するためのCtrl-DNAフレームワークを提案した。
*紙:
https://arxiv.org/abs/2505.20578
BoltzGen を使用すると、分子タイプ全体にわたるタンパク質複合体の設計が可能になり、66% ターゲットに対するナノモル親和性が実現します。
BoltzGen: ユニバーサルバインダーデザインに向けて
*ソース:
*著者MITやボルツなど他の機関
*解釈:MIT チームは BoltzGen をオープンソース化し、さまざまな分子タイプにわたるタンパク質バインダーの設計を可能にして、66% ターゲットに対するナノモル親和性を達成しました。
*紙:
新しいタンパク質動的融合特性評価フレームワークである FusionProt は、反復的な情報交換を可能にし、複数のタスクで最先端のパフォーマンスを実現します。
FusionProt: タンパク質の統一表現学習のための配列情報と構造情報の融合
*ソース:bioRxiv
*著者イスラエル工科大学テクニオンの研究チームとMeta AIの協力
*解釈:Meta AI らは、反復的な情報交換を可能にし、複数のタスクで SOTA パフォーマンスを実現する新しいタンパク質動的融合特性評価フレームワーク FusionProt を提案しました。
*紙:
トランスクリプトーム誘導拡散モデルである MorphDiff は、表現型薬物開発を加速します。
トランスクリプトーム誘導拡散モデルを用いた摂動下における細胞形態変化の予測
*ソース：ネイチャーコミュニケーションズ
*著者香港中文大学やモハメッド・ビン・ザイード人工知能大学などの研究機関の研究者
*解釈:香港中文大学などの研究チームは、遺伝子発現データと細胞形態画像をリンクさせることで、表現型薬物の開発を加速するトランスクリプトーム誘導拡散モデルを開発しました。
*紙:
https://www.nature.com/articles/s41467-025-63478-z
PPI インターフェース修飾子を予測する方法である AlphaPPIMI は、既存の方法よりも優れています。
Alphappimi: PPI-モジュレーター相互作用を予測するための包括的なディープラーニングフレームワーク
*ソースケミインフォマティクスジャーナル
*著者中国石油大学と延世大学の共同研究チーム
*解釈:「ブラインドスクリーニング」から「正確な位置決め」まで、中国石油大学のチームは、PPIインターフェース修飾子の予測性能が既存の方法を上回るAlphaPPIMIを立ち上げました。
*紙:
https://jcheminf.biomedcentral.com/articles/10.1186/s13321-025-01077-2
scSiameseClu は、教師なし単一セルクラスタリングタスクで最先端のパフォーマンスを実現します。
scSiameseClu: 単一細胞RNAシーケンスデータを解釈するためのSiameseクラスタリングフレームワーク
*ソースIJCAI 2025
*著者中国科学院、東北農業大学、マカオ大学、吉林大学の研究チーム
*解釈:IJCAI 2025 | 7データセット検証：scSiameseCluは教師なし単一細胞クラスタリングタスクでSOTAパフォーマンスを達成
*紙:
ニューラルネットワークフレームワークを統合して、タンパク質配列中の多金属結合部位を効率的に予測する
タンパク質配列中の多金属結合部位を効率的に予測するモジュラー融合ニューラルネットワークアプローチ
*ソース:bioRxiv
*著者香港科技大学の研究チーム
*解釈:香港科技大学は、タンパク質配列中の多金属結合部位を効率的に予測するための融合ニューラルネットワークフレームワークを提案した。
*紙:
ReaSyn は思考の連鎖からインスピレーションを得て分子合成を類推し、非常に高い再構築率と経路の多様性を実現します。
反応連鎖による分子合成可能性の再考
*ソース:arXiv
*著者NVIDIA 研究チーム
*解釈:NVIDIA は、思考連鎖分子合成のアナロジーを活用して超高再構成率とパス多様性を実現する ReaSyn を提案しています。
*紙:
https://arxiv.org/abs/2509.16084
薬物治療が不可能なターゲットを対象とし、無秩序な領域に結合するタンパク質を設計する新しいアプローチ。
本質的に無秩序な領域に結合するタンパク質の設計
*ソース：科学
*著者デビッド・ベイカーと彼のチーム
*解釈:David Baker 氏のチームは、Science 誌で、特に薬物治療が不可能なターゲットをターゲットとした、不規則領域結合タンパク質を設計するための新しいアプローチを提案しています。
*紙:
https://www.science.org/doi/10.1126/science.adr8063
AMix-1 はスケーラブルで汎用的なタンパク質設計を可能にし、活性が 50 倍向上したタンパク質バリアントを生み出します。
AMix-1: テスト時間スケーラブルなタンパク質基盤モデルへの道
*ソース:arXiv
*著者清華大学知能産業研究所（AIR）の周浩教授の研究グループは、上海人工知能研究所と共同で、
*解釈:設計されたタンパク質変異体の活性が50倍に増加しました！清華大学AIRの周昊チームは、ベイズフローネットワークに基づくAMix-1を提案し、スケーラブルで汎用的なタンパク質設計を実現しました。
*紙:
双方向ブラウン橋拡散モデルにより、出力のばらつきが大幅に減少し、仮想染色結果の再現性が向上します。
イメージング質量分析におけるラベルフリー組織の仮想染色
*ソース：科学の進歩
*著者UCLA研究チーム
*解釈:UCLAは、仮想染色結果の再現性を向上させる双方向ブラウン橋拡散モデルをリリースしました。
*紙:
全原子拡散トランスフォーマー ADiT は、周期的システムと非周期的システム間のモデリング障壁を打ち破ります。
全原子拡散トランスフォーマー：分子と材料の統合生成モデリング
*ソースICML 2025
*著者MetaFAIR、ケンブリッジ大学、MITの共同研究チーム
*解釈:ICML 2025に選ばれたMeta/Cambridge/MITは、周期的および非周期的原子システムの統一的な生成を初めて実現する全原子拡散トランスフォーマーフレームワークを提案しました。
*紙:
Full-Atom MPNN は、各アミノ酸残基の配列同一性と側鎖構造を明示的にモデル化します。
FAMPNNを用いた全原子タンパク質配列設計のための側鎖コンディショニングとモデリング
*ソースICML 2025
*著者スタンフォード大学のチームとカリフォルニア州パロアルトのアーク研究所の協力による。
*解釈:スタンフォードらは、タンパク質の主鎖と側鎖の情報を同時に処理し、メッセージパッシングニューラルネットワークに基づく完全な原子構造モデリングを実現した。
*紙:
La-Proteina は原子レベルのタンパク質設計において画期的な進歩を達成し、最大 800 残基のタンパク質を高精度に生成することを可能にしました。
La-Proteina: 部分的潜在フローマッチングによる原子レベルのタンパク質生成
*ソース:arXiv
*著者NVIDIA の研究チームは、カナダのケベック人工知能研究所 Mila と協力しました。
*解釈:NVIDIA は原子レベルのタンパク質設計で画期的な進歩を達成し、最大 800 残基のタンパク質を高精度で生成しました。
ディープラーニングモデル SUICA は、空間トランスクリプトームスライス内の任意の場所での遺伝子発現を予測できます。
SUICA: 空間トランスクリプトミクスのための超高次元スパース暗黙的ニューラル表現の学習
*ソースICML 2025
*著者東京大学の鄭銀強教授が率いるグループと、マギル大学の丁軍教授が率いるグループ。
*解釈:データノイズ除去/生体信号強調/ドロップアウト軽減、深層学習モデルSUICAは空間トランスクリプトームスライス内の任意の位置での遺伝子発現予測を実現します
*紙:
新しい全原子タンパク質生成モデル (APM) により、全原子設計と機能の最適化が可能になります。
タンパク質複合体の設計のための全原子生成モデル
*ソースICML 2025
*著者湖南大学は、中国科学院大学およびバイトダンスのシードチームと協力
*解釈:タンパク質の生成/フォールディング/リフォールディングをサポートするために、湖南大学、中国科学技術大学、ByteDance は、全原子設計と機能の最適化を実現する APM モデルを提案しました。
*紙:
深層学習モデルである APEX は、潜在的な抗生物質候補をスクリーニングするために使用されます。
Venomics人工知能による抗菌薬発見のための世界中の毒の計算探索
*ソース：ネイチャーコミュニケーションズ
*著者米国ペンシルベニア大学の研究チーム
*解釈:ペンシルバニア大学は動物毒から386個の新しい抗菌ペプチドを発見し、潜在的な抗生物質候補を選別するためのディープラーニングモデル「APEX」を開発した。
*紙:
https://www.nature.com/articles/s41467-025-60051-6[*]
タンパク質言語モデル Prot42 は、長い配列のモデリングと高親和性結合剤の生成を可能にします。
Prot42: 標的を考慮したタンパク質結合剤生成のための新しいタンパク質言語モデルファミリー
*ソース:arXiv
*著者アブダビのInception AI InstituteとシリコンバレーのCerebras Systemsの共同研究チーム。
*解釈:8k長の配列モデリング、タンパク質言語モデルProt42は、標的タンパク質配列のみを使用して高親和性バインダーを生成できます。
*紙:
生体分子の時間粗大化ダイナミクスシミュレーターである UniSim は、分子の種類と化学環境全体にわたる統一された時間粗大化ダイナミクスシミュレーションを初めて実現しました。
UniSim: 生体分子の時間粗大化ダイナミクスのための統合シミュレータ
*ソースICML 2025
*著者清華大学と人民大学高陵人工知能学院
*解釈:ICML 2025に選ばれた清華大学/人民大学は、統合型バイオ分子動力学シミュレータであるUniSimを提案した。
*紙:
SimplifiedBondfinder は、86,000 個のタンパク質構造データに基づいて、量子力学計算を組み込んだ機械学習手法を使用して、69 個の新しい窒素-酸素-硫黄結合を発見しました。
タンパク質構造の体系的な再評価によるアルギニン-システインおよびグリシン-システインNOS結合の解明
*ソースコミュニケーション化学
*著者ジョージ・オーガスト大学のチーム
*解釈:86,000個のタンパク質構造データに基づいて、量子力学計算と組み合わせた機械学習手法を使用して、69個の新しい窒素-酸素-硫黄結合を発見しました。
*紙:
https://www.nature.com/articles/s42004-025-01535-w
タンパク質配列生成モデルを使用して重複遺伝子を設計すると、成功率が非常に高くなります。
タンパク質配列の深層生成モデルを用いた重複遺伝子の設計
*ソース:bioRxiv
*著者ワシントン大学のデビッド・ベイカー氏のチーム
*解釈:デビッド・ベイカーのチームの最新の研究では、タンパク質配列生成モデルを使用して、非常に高い成功率で重複遺伝子設計を実現しています。
*紙:
https://doi.org/10.1101/2025.05.06.652464
予測フレームワーク PUPS は、タンパク質言語モデルと画像修復モデルを革新的に組み合わせて、単一細胞レベルのタンパク質の局在を実現します。
単一細胞におけるタンパク質の細胞内局在の予測
*ソース：ネイチャーメソッド
*著者MITとハーバード大学のチーム
*解釈:MIT とハーバード大学は、タンパク質言語モデルと画像修復モデルを統合することで、単一細胞レベルのタンパク質の局在化を可能にする PUPS を共同で提案しました。
*紙:
分子種全体にわたる最初の統合生成フレームワークである UniMoMo により、複数の種類の薬物分子の設計が可能になります。
UniMoMo: De Novoバインダー設計のための3D分子の統合生成モデリング
*ソースICML 2025
*著者清華大学の劉洋教授のグループは、人民大学の黄文兵教授のグループおよびByteDance AI製薬チームと協力した。
*解釈:ICML 2025に選出された清華大学/人民大学/Byteは、多種類の薬物分子設計を実現する初の分子間統合生成フレームワークUniMoMoを提案しました。
*紙:
ディープラーニングフレームワーク STAIG は、腫瘍微小環境における詳細な遺伝情報を明らかにします。
STAIG: ドメイン探索とアライメントフリー統合のための画像支援グラフ対照学習による空間トランスクリプトミクス解析
*ソース：ネイチャーコミュニケーションズ
*著者東京大学医科学研究所の研究チーム
*解釈:東京大学の研究チームは、事前の調整なしでバッチ効果を排除し、腫瘍微小環境の詳細な遺伝情報を明らかにするディープラーニングフレームワークSTAIGを開発しました。
*紙:
https://www.nature.com/articles/s41467-025-56276-0
DRAKES アルゴリズムは強化学習フレームワークを導入し、離散拡散モデルで生成された完全な軌跡に対して微分可能な報酬バックプロパゲーションを初めて実現します。
報酬最適化による離散拡散モデルの微調整とDNAおよびタンパク質設計への応用
*ソースICLR 2025
*著者MIT、ハーバード大学、スタンフォード大学、カリフォルニア大学バークレー校、および米国に拠点を置く遺伝子工学技術企業ジェネンテックの研究者。
*解釈:ICLR 2025に選出されたMIT/UCバークレー/ハーバード/スタンフォードは、生物学的配列設計のボトルネックを打破するDRAKESアルゴリズムを提案した。
*紙:
https://doi.org/10.48550/arXiv.2410.13643
機械学習支援紫外線吸収分光法：SVM に基づく微生物汚染検出モデルの構築。
細胞治療製品における微生物汚染の検出のための機械学習支援UV吸光分光法
*ソース：科学レポート
*著者シンガポール-MIT 研究コンソーシアム、シンガポールの A*SRL ラボ、シンガポール国立大学、MIT の共同研究チーム。
*解釈:30分以内に結果を出力、シンガポール国立大学/MITなどがSVMに基づく微生物汚染検出モデルを構築
*紙:
https://doi.org/10.1038/s41598-024-83114-y
タンパク質事前トレーニングのための新しいパラダイム：タンパク質ファミリーの進化を解明する
プロファイルベイズフローによるタンパク質ファミリー設計のステアリング
*ソースICLR 2025
*著者清華大学のAIR GenSI研究グループと清華大学薬学部の協力
*解釈:ICLR 2025口頭発表に選ばれた清華大学AIRの周浩氏のチームは、タンパク質ファミリーの進化を解明するためのタンパク質事前トレーニングの新しいパラダイムを提案した。
*紙:
ボルツマンアライメント技術は、最先端技術 (SOTA) までのタンパク質結合自由エネルギーを予測します。
タンパク質間相互作用に対する変異効果の予測因子としてのボルツマン整列逆フォールディングモデル
*ソースICLR 2025
*著者浙江大学コンピュータ科学技術学院の沈春華教授のチームが、オーストラリアのアデレード大学、米国のノースイースタン大学などのチームと共同で行った。
*解釈:ICLR 2025に選出されました！浙江大学の沈春華らがボルツマンアライメント技術を提案し、タンパク質結合自由エネルギーの予測がSOTAに到達
*紙:
https://arxiv.org/abs/2410.09543
Proteina のモデル パラメータは RFdiffusion を 5 倍上回り、de novo タンパク質バックボーン設計において最先端 (SOTA) のパフォーマンスを実現します。
Proteina: フローベースのタンパク質構造生成モデルのスケーリング
*ソースICLR 2025 口頭発表
*著者NVIDIA、ケベック人工知能研究所Mila、モントリオール大学、MITの研究チーム
*解釈:モデルパラメータは RFdiffusion を 5 倍超えています。 NVIDIA などが SOTA パフォーマンスを考慮してゼロから設計されたタンパク質バックボーン Proteina をリリース
*紙:
https://openreview.net/forum?id=TVQLu34bdw&nesting=2&sort=date-desc
UniGEM モデルは、拡散モデルに基づいて 2 つのタスクの共同強化を実現した最初のモデルです。
UniGEM: 分子の生成と特性予測への統一的なアプローチ
*ソースICLR 2025
*著者清華大学と中国科学院のチーム
*解釈:清華大学チームは初めて分子生成と物性予測の統合を実現し、二段階拡散生成メカニズムを提案し、ICLR 2025に選出されました。
*紙:
https://openreview.net/pdf?id=Lb91pXwZMR
RF拡散がさらに進化し、新規抗体設計において原子レベルの精度を実現します。
RF拡散による抗体の原子レベルで正確な設計
*ソース:bioRxiv
*著者デビッド・ベイカーのチームと協力者
*解釈:David Baker チームからの新たな成果! RF拡散は原子レベルの精密な抗体の新規設計を実現するために進化しました
*紙:
https://doi.org/10.1101/2024.03.14.585103
初のタンパク質-RNA 言語モデル融合スキームは、親和性予測と組み合わせることで、新たな最先端標準を確立します。
CoPRA: タンパク質-RNA結合親和性予測のための複雑な構造を持つクロスドメイン事前学習済み配列モデルの橋渡し
*ソース:arXiv
*著者清華大学、ユニバーシティ・カレッジ・ロンドン、モナシュ大学、北京郵電大学の合同チーム
*解釈:AAAI 2025に選出されました！清華大学/UCLは、親和性予測とSOTAの刷新を組み合わせたタンパク質-RNA言語モデル融合ソリューションの先駆者です。
*紙:
https://arxiv.org/abs/2409.03773
Celcomen モデルは、空間トランスクリプトミクス解析において識別可能な因果推論を初めて実現しました。
空間的因果関係の分離による空間トランスクリプトミクスにおける単一細胞および組織摂動効果の推定
*ソースICLR 2025
*著者ケンブリッジ大学の研究チーム
*解釈:ICLR 2025に選出されました！ケンブリッジ大学が提案したセルコメンモデルは、空間トランスクリプトミクス解析における因果推論の識別可能性を初めて達成した。
*紙:
https://openreview.net/forum?id=Tqdsruwyac
AlphaFold-Metainference メソッドは、無秩序なタンパク質構造のセットを正確に予測します。
無秩序タンパク質の構造アンサンブルのAlphaFold予測
*ソース：ネイチャーコミュニケーションズ
*著者ケンブリッジ大学の研究チーム
*紙:
https://www.nature.com/articles/s41467-025-56572-9
第 2 世代の RNA 構造予測アルゴリズムは、複数のベンチマーク テストで最先端 (SOTA) 標準を上回りました。
複合言語モデルとノイズ除去エンドツーエンド学習による第一原理RNA構造予測
*ソース:bioRxiv
*著者シンガポール国立大学のヤン・チャン教授のチーム
*解釈:シンガポール国立大学の張楊氏のチームは、複数のベンチマークテストでSOTAを上回る第2世代のRNA構造予測アルゴリズムを開発した。
*紙:
https://www.biorxiv.org/content/10.1101/2025.03.05.641632v1
革新的な 4D 拡散モデルを分子動力学シミュレーション データと組み合わせることで、複数の時間ステップでタンパク質の軌跡を同時に予測できます。
参照および運動ガイダンスを用いた動的タンパク質構造予測のための4D拡散
*ソース:arXiv
*著者復旦大学、上海智能科学技術研究所、南京大学の研究チーム
*解釈:AlphaFolding はタンパク質の動的構造予測のギャップを埋めます!復旦大学らが4D拡散モデルを提案し、その結果がAAAI2025に選定された
*紙:
https://arxiv.org/abs/2408.12419
PepPrCLIP は、標的タンパク質にほぼ常に適合するペプチドを作成することで、「創薬不可能な」問題を解決します。
対照言語モデリングによる構造的に多様な標的に対するペプチド結合剤の新規設計
*ソース：科学の進歩
*著者デューク大学の研究チーム
*解釈:新しい癌治療法が開発されるかもしれません！デューク大学はPepPrCLIPを使用して「薬に頼れない」問題を解決
*紙:
https://www.science.org/doi/10.1126/sciadv.adr8638
MOLRL は強化学習を使用して対象分子を最適化し、最大 100% の成功率 (TP3T) を達成します。
潜在的強化学習による標的分子生成
*ソースケムRxiv
*著者CellaireとNvidiaの研究チーム
*解釈:成功率は 100% に達する可能性があります。医薬品開発会社である Cellarity は、強化学習に基づいてターゲティング分子を最適化するために NVIDIA と提携しました。
*紙:
ウイルス変異の進化主導型予測フレームワークである E2VD フレームワークにより、予測精度が 671 TP3T 向上しました。
ウイルス変異の要因予測のための統合進化駆動型深層学習フレームワーク
*ソース：ネイチャー・マシン・インテリジェンス
*著者北京大学情報工学学院の田永紅教授と陳潔准教授は、広州国家実験室の周鵬研究員と共同で、博士課程の聶志偉氏と修士課程の劉旭東氏らを指導した。
*解釈:Natureサブマガジンに掲載されました！北京大学チームがAIを利用して新型コロナウイルス/エイズ/インフルエンザウイルスの進化方向を予測し、精度を向上 67%
*紙:
https://www.nature.com/articles/s42256-024-00966-9
AI+ヘルスケア
ヘルスケア エージェントは、GPT-4 などのクローズド ソース モデルと比較して、患者の診察において高い自発性と関連性を示します。
ヘルスケアエージェント：医療相談のための大規模言語モデルの力を引き出す
*ソース：ネイチャー人工知能
*著者武漢大学と南洋理工大学の研究チーム
*解釈:倫理的な安全対策から病歴管理まで、武漢大学などがヘルスケアエージェントを提案しており、そのイニシアチブと患者相談における関連性は GPT-4 などのクローズドソースモデルを上回っています。
*紙:
ICA-Var の多変量解析法は、廃水の疫学的評価のための遺伝子配列解析と機械学習に基づいており、最大 4 週間早くウイルスを検出できます。
ゲノム配列解析と機械学習による廃水からのSARS-CoV-2変異体の早期検出
*ソース：ネイチャーコミュニケーションズ
*著者ネバダ大学ラスベガス校の研究チーム
*解釈:Nature誌に掲載された、遺伝子配列解析と機械学習に基づく廃水疫学的評価により、最大4週間早くウイルスを検出できる。
*紙:
https://www.nature.com/articles/s41467-025-61280-5
Medical GraphRAG は、質問回答の精度において新たな記録を樹立し、11 のデータセットで最先端 (SOTA) の結果を達成しました。
医療グラフRAG：グラフ検索と拡張生成による安全な医療大規模言語モデルの構築
*ソースACL 2025
*著者オックスフォード大学、カーネギーメロン大学、エディンバラ大学の合同チーム
*解釈:ACL 2025: オックスフォード大学などが医療用GraphRAGを提案、質問回答精度の新記録を樹立し、11のデータセットでSOTA結果を達成
*紙:
初の VR モーション介入システムである REVERIE は、10 代の若者の脳と体と心の健康を再構築します。
過剰体重の青少年のための適応型AIベースの仮想現実スポーツシステム：ランダム化比較試験
*ソース：自然医学
*著者上海交通大学医学部/積極的健康戦略・発展研究所付属第六人民病院の李華亭教授と上海交通大学教育部コンピュータ科学技術学院/人工知能重点実験室の盛斌教授の研究チームは、上海体育大学の王基紅研究員、上海理工大学/上海臨床研究センターの曽容教授、シンガポール国立大学の林水徳教授のチームと学際的な医療工学研究で協力した。
*解釈:銭学森の「霊界」予言が現実に！上海交通大学、上海体育大学、清華大学などの研究機関が、世界初のVRスポーツ介入システム「REVERIE」を構築し、青少年の脳・心身の健康を再構築します。
*紙:
https://www.nature.com/articles/s41591-025-03724-5
NeuralCohort法は、多次元EHRデータに基づくきめ細かな患者コホートモデリングを可能にし、入院期間予測の精度を16.31 TP3T向上させます。
NeuralCohort: ヘルスケア分析のためのコホートを考慮したニューラル表現学習
*ソースICML 2025
*著者シンガポール国立大学と浙江大学の協力
*解釈:シンガポール国立大学は、多次元EHRデータに基づくきめ細かな患者コホートモデリングを実施し、入院期間予測の精度が16.3%向上しました。
*紙:
https://openreview.net/forum?id=bqQVa6VRvm
HIE 分野における世界初の臨床マインド マッピング モデル。神経認知成果予測タスクで 15% のパフォーマンス向上を達成しました。
専門レベルの思考グラフによる医療推論のための視覚的知識とドメイン知識
*ソースICML 2025
*著者ハーバード大学医学大学院、ボストン小児病院、ニューヨーク大学、MIT-IBM ワトソン研究所の学際的なチーム。
*解釈:ICML 2025に選出！ハーバード大学医学部らがHIE分野で世界初の臨床マインドマップモデルを発表、神経認知的成果予測タスクにおいて15%の性能向上を実現
*紙:
https://openreview.net/forum?id=tnyxtaSve5
ギガピクセル病理学的全スライス画像を高速処理するための階層的蒸留マルチインスタンス学習フレームワークHDMIL
階層的蒸留マルチインスタンス学習による高速かつ正確なギガピクセル病理画像分類
*ソースCVPR 2025
*著者ハルビン工業大学の江俊俊教授、江奎准教授、張勇兵教授のチーム
*解釈:CVPR 2025に選ばれたHITチームは、ギガピクセルの病理学フルスライス画像を迅速に処理するための階層蒸留マルチインスタンス学習フレームワークHDMLを提案しました。
*紙:
3D 血管セグメンテーション用に特別に設計された基本モデル vesselFM は、ゼロショット、シングルショット、および少数ショットのシナリオで、既存の最先端モデルよりも優れたセグメンテーションおよび一般化機能を実現できます。
vesselFM: ユニバーサル3D血管セグメンテーションの基礎モデル
*ソースCVPR 2025
*著者チューリッヒ大学、チューリッヒ工科大学、ミュンヘン工科大学の研究者
*解釈:SAMシリーズモデルをはるかに上回る性能を実現。チューリッヒ大学らは、汎用的な3D血管セグメンテーション基本モデルを開発し、CVPR2025に選定された。
*紙:
800 万の実際のデータセットに基づくグラフコード化されたハイブリッド生存モデルは、一貫した特性と生存結果を持つサブ表現型を識別します。
実世界データと機械学習を用いた臨床転帰の予測サブ表現型の特定
*ソース：ネイチャーコミュニケーション
*著者コーネル大学とリジェネロン・ファーマシューティカルズ
*解釈:コーネル大学のチームは、800万の実際のデータに基づいてグラフニューラルネットワークを使用して肺がん患者の生存を正確に予測し、3つの致命的なサブタイプを発見しました。
*紙:
https://doi.org/10.1038/s41467-025-59092-8
戦略的な AI モデルを統合することで、多施設、多専門分野の敗血症性ショックにおける死亡リスクの正確な予測が可能になります。
多施設共同後ろ向き研究における敗血症性ショックの人工知能に基づく多専門分野死亡率予測モデル
*ソース:npjデジタルメディシン
*著者華中科技大学同済病院および同済医学院薬学・健康管理学院の研究チーム
*解釈:Nature誌に掲載されました！華中科技大学は、複数のセンターと専門分野における敗血症性ショックの死亡リスクの正確な予測を達成するための融合戦略AIモデルを提案した。
*紙:
血液指標に基づく 2 つの新しい癌予測アルゴリズムにより、15 種類の癌の早期予測が可能になります。
がんの早期診断を改善するための予測アルゴリズムの開発と外部検証
*ソース：ネイチャーコミュニケーションズ
*著者ロンドン大学クイーン・メアリー校とオックスフォード大学の研究チーム
*解釈:オックスフォード大学などの研究チームは、746万人の成人の健康データを徹底的に調査し、早期スクリーニングアルゴリズムを開発し、血液指標に基づいて15種類の癌の早期予測を実現した。
*紙:
マルチエージェントダイアログ (MAC) フレームワークにより、LLM の診断機能が大幅に向上します。
マルチエージェント会話型大規模言語モデルによる診断能力の強化
*ソース:npjデジタルメディシン
*著者四川大学華西病院、華西バイオメディカルビッグデータセンター、浙江大学医学部、北京郵電大学などのチーム。
*解釈:四川大学華西病院のチームは、医師の診察をシミュレートし、病気の診断を支援するマルチエージェント対話フレームワークを開発した。
*紙:
https://www.nature.com/articles/s41746-025-01550-0#Tab6
最初のフルモーダル医用画像再識別フレームワークは、11 のデータセットで最先端 (SOTA) のパフォーマンスを達成しました。
オールインワンの医療画像再識別に向けて
*ソース:
*著者上海人工知能研究所はいくつかの有名な大学と協力しています
*解釈:CVPR 2025に選出された上海AIラボらは、11のデータセットでSOTAを達成した初のフルモダリティ医療画像再識別フレームワークを提案した。
*紙:
https://arxiv.org/pdf/2503.08173
多対 1 回帰モデル M2OST は、デジタル病理画像を使用して遺伝子発現を正確に予測します。
M2OST: デジタル病理画像から空間トランスクリプトミクスを予測するための多対一回帰
*ソースAAAI 2025
*著者中国浙江大学の林嵐芬教授の研究チームは、浙江杭州志江実験室および日本の立命館大学と共同で研究を行った。
*解釈:浙江大学は、AAAI 2025に選出され、デジタル病理画像を用いて遺伝子発現を正確に予測する多対1回帰モデルM2OSTを提案した。
*紙:
https://arxiv.org/abs/2409.15092
MindGlide モデルにより、多発性硬化症の病変の定量化が可能になります。
臨床MRIアーカイブを多発性硬化症研究に再利用することで、古いスキャンから新たな知見を得る
*ソース：ネイチャーコミュニケーションズ
*著者ユニバーシティ・カレッジ・ロンドンチーム
*解釈:臨床MRIデータの価値を最大化するために、UCLチームは多発性硬化症病変の定量化を実現するMindGlideモデルを提案した。
*紙:
https://www.nature.com/articles/s41467-025-58274-8
大規模モデルがプライマリケア医師のトレーニングを支援する実際の有効性に関する世界初の前向きなリアルワールドエビデンス。
糖尿病トレーニングのための大規模言語モデル：前向き研究
*ソース科学速報
*著者上海交通大学の盛斌教授率いるチームは、上海体育大学の毛立娟教授率いるチーム、清華大学の黄天銀教授率いるチーム、上海糖尿病研究所の賈衛平教授率いるチーム、およびその他の学際的な力と協力し、デューク大学、ジョンズ・ホプキンス大学、メルボルン大学などのトップクラスの国際大学および研究機関と力を合わせました。
*解釈:医師研修ではDeepSeekプラグインを歓迎します！上海体育学院、上海交通大学、清華大学の共同研究により、大型モデルがプライマリケア医師のトレーニングの「黄金のパートナー」になり得ることが証明された。
*紙:
https://www.sciencedirect.com/science/article/pii/S2095927325000891
AcneDGNet のディープラーニング アルゴリズムは、若手皮膚科医の精度をはるかに上回る精度を実現し、ニキビ病変の検出とグレーディングを可能にします。
オンラインおよびオフラインのヘルスケアシナリオにおける中国人集団のニキビ病変検出および重症度評価モデルの評価
*ソース：科学レポート
*著者北京大学国際病院皮膚科のハン・ガンウェン氏とそのチーム
*解釈:北京大学国際病院らは、若手皮膚科医の精度をはるかに上回る精度で、ニキビ病変を検出し、等級付けするディープラーニングアルゴリズムを開発した。
*紙:
https://www.nature.com/articles/s41598-024-84670-z
マルチモーダル医療画像セグメンテーション モデルにより、3D 画像の自動セグメンテーションとインタラクションが可能になります。
VISTA3D: 3D医療画像のための統合シーメンテーション基盤モデル
*ソース:arXiv
*著者Nvidiaは、アーカンソー大学医学部、国立衛生研究所、オックスフォード大学と共同で
*解釈:5.2%で精度が向上、NVIDIAらが3D画像の自動セグメンテーションとインタラクションを実現するマルチモーダル医療画像セグメンテーションモデルをリリース
*紙:
https://doi.org/10.48550/arxiv.2406.05285
多平面心エコー検査における心臓構造の正確なセグメンテーションにより、冗長性が効果的に削減されます。
EchoONE: 1つのモデルで複数の心エコー検査平面をセグメント化
*ソースCVPR 2025
*著者深圳大学医学部バイオメディカル工学部医療用超音波画像コンピューティング研究室
*解釈:CVPR 2025に選出されました！深セン大学のチームと他の研究者は、多断面心エコー図を正確に分割できるEchoONEを提案した。
*紙:https://arxiv.org/abs/2412.02993
MedFoundationは現在、最大のパラメータ数を持つ最大の生物医学言語モデルである。
疾患診断支援のためのジェネラリスト医療言語モデル
*ソース：自然医学
*著者北京郵電大学、北京大学第三病院、三峡大学
*解釈:1760億パラメータの汎用医療言語モデルをオープンソース化！ BUPT/PKU/中国三峡大学は、専門医に近い推論能力を持つMedFoundを提案した。
*紙:https://www.nature.com/articles/s41591-024-03416-6
コントラスト主導の医療画像セグメンテーションのための一般的なフレームワーク。医療画像の正確なセグメンテーションを実現
ConDSeg: コントラスト駆動型特徴量拡張による汎用医用画像セグメンテーションフレームワーク
*ソースAAAI 2025
*著者中国地質大学、百度
*解釈:AAAI 2025に選出されました！医療画像セグメンテーションにおけるソフト境界と共起の問題を解決するために、中国地質大学らは画像セグメンテーションモデルConDSegを提案した。
*紙:
https://arxiv.org/abs/2412.08345
これは、2 つの感染症と 14 の非感染症を網羅する 9 つのベンチマーク データセットにおける最先端のデータです。
ゼロショット臨床診断のためのマルチモーダル・マルチドメイン・多言語医療基盤モデル
*ソース自然ポートフォリオ
*著者オックスフォード大学、アマゾン、ロチェスター大学、グラクソ・スミスクライン、ウェストレイク大学医療人工知能研究所
*解釈:オックスフォード大学、アマゾン、ウェストレイク大学、テンセントらは、ゼロサンプルの臨床診断に使用できるマルチモーダル、マルチドメイン、マルチ言語の医療モデルM³FMを提案した。
*紙:
https://www.nature.com/articles/s41746-024-01339-7
分類精度は 971 TP3T に達し、人間の観察者の 821 TP3T を大幅に上回りました。
ディープラーニング対人間の評価者：3次元コンピュータ断層撮影スキャンからの法医学的性別推定
*ソース：科学レポート
*著者西オーストラリア大学、ニューサウスウェールズ大学、インドネシアのハサヌディン大学
*解釈:精度は97%に達した。オーストラリアチームの新たな成果は、ディープラーニングに基づいて頭蓋骨CTで性別を識別し、人間の法医学者を超えた。
*紙:
https://www.nature.com/articles/s41598-024-81718-y
位置ずれした医療画像融合のための双方向段階的特徴位置合わせ
BSAFusion: 非整合医療画像融合のための双方向段階的特徴整合ネットワーク
*ソースAAAI 2025
*著者昆明理工大学、中国海洋大学
*解釈:AAAI2025に選出されました！国内の主要2大学が共同提案したBSAFusionにより、マルチモーダル医用画像の位置合わせと融合を実現できます。
*紙https://arxiv.org/abs/2412.08050 362 種類の一般的な疾患をカバーする新しい階層型マルチエージェント フレームワーク。
KG4Diagnosis: 医療診断のための知識グラフ強化機能を備えた階層型マルチエージェントLLMフレームワーク
*ソースAAAI-25 ブリッジプログラム
*著者ウォーリック大学、クランフィールド大学、ケンブリッジ大学、オックスフォード大学
*紙:https://arxiv.org/abs/2406.05285
AI + 材料化学
トレーニングされた構造データ ポイントが 100,000 未満であるにもかかわらず、PET-MAD の原子シミュレーションの精度はプロフェッショナル モデルに匹敵します。
先端材料モデリングのための軽量ユニバーサル原子間ポテンシャルとしてのPET-MAD
*ソース：ネイチャーコミュニケーションズ
*著者エコール・ポリテクニック連邦ローザンヌ、スイス
*解釈:スイス連邦工科大学ローザンヌ校 (EPFL) は、10 万個未満の構造化データ ポイントでトレーニングし、専門的なモデルに匹敵する原子シミュレーション精度を達成した PET-MAD を開発しました。
*紙:
https://www.nature.com/articles/s41467-025-65662-7
計算コストは半分に削減され、人間の化学的推論は機械が理解できるフレームワークに形式化されます。
ChemOntology: 反応経路探索を高速化する再利用可能な明示的化学オントロジーベースの手法
*ソースACS触媒
*著者: 北海道大学、日本
*解釈:計算コストが半分に削減された化学反応発見ツール ChemOntology は、人間の直感をシステムに「エンコード」し、反応経路の探索を加速します。
*紙:
https://pubs.acs.org/doi/10.1021/acscatal.5c06298
MOF-ChemUnity: 構造化され、スケーラブルで拡張可能な知識グラフ
MOF-ChemUnity: 金属-有機構造体研究のための文献情報に基づく大規模言語モデル
*ソース:ACS出版物
*著者:カナダ、トロント大学、カナダ国立研究評議会クリーンエネルギーイノベーション研究センター
*解釈:MOF-ChemUnity は、9,874 件の論文から 15,000 の結晶構造に至るまで、MOF の包括的な知識を再構築し、材料の発見を「解釈可能な AI」の時代へと推進します。
*紙:
https://pubs.acs.org/doi/10.1021/jacs.5c11789
Graphermerのグローバルアテンション機構をCGCNNに統合する
CGformer: 材料特性予測のためのグローバルアテンションを備えたトランスフォーマー強化結晶グラフネットワーク
*ソース案件
*著者上海交通大学人工知能・微細構造研究室
*解釈:新素材の研究開発が加速！上海交通大学のチームが、グローバルアテンションメカニズムを統合した新しいAI材料設計モデル「CGformer」を開発。
*紙:
https://www.cell.com/matter/abstract/S2590-2385(25)00423-0
FASTSOLVモデル：任意の温度における小分子の溶解度の予測を実現
偶然性不確実性の限界におけるデータ駆動型有機溶解度予測
*ソース：ネイチャーコミュニケーション
*著者マサチューセッツ工科大学
*解釈:MIT チームは、任意の温度での小分子の溶解度を予測するために、元のモデルより 50 倍高速な FASTSOLV モデルを提案しました。
*紙:
https://www.nature.com/articles/s41467-025-62717-7
MOF 合成直後に得られる情報を活用して、その潜在的なパフォーマンスと用途を予測します。
マルチモーダル機械学習を用いた金属有機構造体合成とアプリケーションとの連携
*ソース：ネイチャーコミュニケーションズ
*著者トロント大学（カナダ）
*解釈:マルチモーダル モデルは、完全な結晶構造を必要とせずに材料特性を予測し、新しい材料と産業用途のマッチングを加速します。
*紙:
https://www.nature.com/articles/s41467-025-60796-0
メタマテリアル設計の 3 つの主要な様式を同時に処理できる統合フレームワークが初めて構築されました。
UNIMATE: 機械的メタマテリアルの生成、特性予測、状態確認のための統合モデル
*ソースICML 2025
*著者バージニア工科大学、メタAI
*解釈:メタマテリアル設計がブレイクスルー！メタAIらが提案したUNIMATEは、トポロジー生成や性能予測といったタスクの統合モデリングを初めて実現した。
*紙:
世界最大の質量分析データセットである GeMS は、2 億の分子質量スペクトルをカバーしています。
DreaMSを用いた数百万のタンデム質量スペクトルからの分子表現の自己教師学習
*ソースネイチャーバイオテクノロジー
*著者チェコ科学アカデミー有機化学・生化学研究所
*解釈:チェコ科学アカデミーは、2億の分子質量スペクトルを網羅し、世界最大の質量分析データセットGeMSを構築するためのDreaMSモデルをリリースしました。
*紙:
単一の機械学習モデルで一般化ポテンシャルと外部刺激に対する応答関数を同時に学習します。
電気応答の統合微分学習
*ソース：ネイチャーコミュニケーションズ
*著者ハーバード大学、ロバート・ボッシュLLC
*解釈:ハーバード大学は、石英から強誘電体まで、材料の大規模な電界シミュレーションを加速するための等価機械学習フレームワークを提案している。
*紙:
LLM に基づいて、88,000 件の論文から 14,000 種類の物質の化学組成を抽出しました。
二次および天然セメント系前駆体のデータ駆動型材料スクリーニング
*ソースコミュニケーション資料
*著者マサチューセッツ工科大学（MIT）
*解釈:MITチームは大規模モデルを使用して、25種類のセメントクリンカー代替材料をスクリーニングしました。これは、温室効果ガス排出量を12億トン削減することと同等です。
*紙:
包括的なSSEデータベースとLLMおよび第一原理メタダイナミックシミュレーションを組み合わせる
大規模言語モデルを用いたデータ駆動型フレームワークによる固体電池における二価水素化物電解質の複雑性の解明
*ソース：Angewandte Chemie-International Edition
*著者東北大学（日本）、四川大学（中国）、芝浦工業大学（日本）
*解釈:中国と日本のチームは共同でこの問題に取り組み、大規模モデルを用いて水素化物固体電解質の伝導機構を分析し、信頼性の高い活性化エネルギー予測モデルを確立した。
*紙:
多成分高解像度質量分析データベースにおけるイオン同位体分布を TB レベルで検索します。
機械学習を活用したテラスケール質量分析データの解読による有機反応の発見
*ソース：ネイチャーコミュニケーションズ
*著者ロシア科学アカデミー
*解釈:ネイチャー誌に掲載されたロシアの研究チームは、機械学習を使って何兆もの質量分析データを検索し、未知の化学反応を発見した。
*紙:
PXRDnet、拡散モデルに基づく生成型人工知能構造解析法
拡散モデルによるナノ結晶粉末回折データからの第一原理構造解析
*ソース自然素材
*著者コロンビア大学、スタンフォード大学
*解釈:コロンビア大学のチームは、初めてナノ結晶のエンドツーエンド分析を実現するためにPXRDnetを提案し、200個の複雑な模擬ナノ結晶の分析に成功した。
*紙:
機械学習に基づいて10種類の光駆動型有機結晶を作製することに成功しました。
光駆動有機結晶における出力力の機械学習による最適化
*ソースデジタルディスカバリー
*著者早稲田大学
*解釈:効率が73倍にアップ！日本の研究チームが機械学習に基づいて光駆動型有機結晶10個を作製することに成功
*紙:
金属の電気音響相互作用を予測することに成功し、効率が5倍向上しました。
電子フォノンスペクトル関数の強化された深層学習を通じて超伝導体の発見を加速する
*ソース: npj 計算材料
*著者フロリダ大学、テネシー大学
*解釈:超伝導材料探索効率が5倍に向上！フロリダ大学などがディープラーニングを使って材料発見を変革し、その結果がネイチャー誌に掲載された。
*紙:
https://www.nature.com/articles/s41524-024-01475-4
勾配ブースティング決定木技術を使用して、RHEA と RCCA の抗酸化特性を高精度に予測します。
高温酸化耐性のAI予測モデルによる耐火性高エントロピー合金開発の推進
*ソーススクリプタ・マテリア
*著者フランスのボルドー大学、日本の物質・材料研究機構、台湾の国立清華大学、ベルギーのルーヴェン・カトリック大学、ベルギーのWEL研究所
*解釈:高エントロピー合金の新発見！複数のチームが協力して、耐酸化性の高精度予測を実現。アルミニウム/クロム/シリコン含有量を増やすことで、耐酸化性を効果的に向上できます。
*紙:
https://doi.org/10.1016/j.scriptamat.2024.116394
ローカル メッセージ パッシングとグローバル アテンション メカニズムを組み合わせることで、分子の光電特性を正確に予測できます。
RingFormer: 有機太陽電池の特性予測のためのリング強化グラフトランスフォーマー
*ソースAAAI 2025
*著者香港理工大学
*解釈:AAAI 2025に選出されました！香港理工大学のチームはグラフトランスフォーマーに基づいて有機材料分子の光電子特性を正確に予測します
*紙:
https://doi.org/10.48550/arXiv.2412.09030
無機逆合成計画法によって無機材料合成の効率と精度が向上することに成功しました。
検索逆合成: 専門知識を活用した検索ベースの無機逆合成
*ソースニュールIPS 2024
*著者韓国化学技術院、韓国科学技術院
*解釈:無機物質の逆合成の効率が飛躍的に向上。韓国チームがRetrieval-Retroを立ち上げ、その成果がNeurIPS 2024に選出された。
*紙:
https://doi.org/10.48550/arXiv.2410.21341
拡散モデルに基づいて、対象となる空間グループに応じて構造が生成されます。
無機材料設計のための生成モデル
*ソース：自然
*著者:マイクロソフト
*解釈:対象物件の素材を直接デザイン！ Microsoft の MatterGen モデルはオープンソースであり、生成 AI を使用してマテリアル リバース デザインの新しいパラダイムを再定義します。
*紙:
https://www.nature.com/articles/s41586-025-08628-5
AI + 農林畜産
約 15,000 種をカバーし、生物音響分類および検出の新しい最先端基準を確立します。
パーチ 2.0：生物音響学のためのサンカノゴイの教訓
*ソース:arXiv
*著者：Google DeepMind、Google Research
*解釈:Google DeepMind は、約 15,000 種をカバーし、生物音響分類および検出の新たな最先端技術を確立した Perch 2.0 をリリースしました。
*紙:
https://arxiv.org/abs/2508.04665
フーリエ変換やシャノンエントロピーなどの数学理論に基づく 219 個の新しいシーケンス記述子が初めて特徴空間に組み込まれました。
PlantLncBoost: 植物のlncRNA識別のための主要な機能と、精度と一般化の大幅な改善
*ソース新しい植物学者
*著者山東理工大学、北京林業大学、広東省農業科学院、サンパウロ大学（ブラジル）、ロザリンド・フランクリン大学（英国）、ウメオ大学（スウェーデン）
*解釈:山東理工大学と他の研究者は、複数の植物トランスクリプトームデータを統合し、種間lncRNA予測精度が最大96%のPlantLncBoostモデルを構築した。
*紙:
AI+気象研究
「プログレッシブノイズスケジューリング」と「時間損失重み付け」の共同設計問題が解決されました。
確率天気予報のためのローリング拡散モデルの解明
*ソースニュールIPS 2025
*著者：Nvidia、カリフォルニア大学サンディエゴ校
*解釈:NeurIPS 2025 に選ばれた NVIDIA は、長期予測の課題を解決するために ERDM モデルを提案し、その中長期予測は EDM ベンチマークをリードし続けています。
*紙:
https://doi.org/10.48550/arXiv.2506.20024
新しい潜在的拡散モデルは、高精度の確率的季節内天気予報から季節天気予報に使用できます。
OmniCast: 時間スケールをまたいだ天気予報のためのマスク潜在拡散モデル
*ソースニュールIPS 2025
*著者UCLA、アルゴンヌ国立研究所
*解釈:最大20倍の効率アップ！カリフォルニア大学は、自己回帰気象予報モデルにおける誤差蓄積の問題を解決するためにOmniCastを開発しました。
*紙:
超局所予測モデルにより、ほとんどの大雨現象を数日前に予測できます。
ムンバイにおける超局所的降雨量予測：畳み込みニューラルネットワーク転移学習に基づくダウンスケーリングアプローチ
*ソースSSRN
*著者:インド工科大学ボンベイ校、メリーランド大学
*解釈:精度が400%向上しました！36の気象観測所に基づくインドモンスーン予測モデルにより、都市レベルでの詳細な予報が可能になります。
*紙:
ACE2 はわずか 2 分で 4 か月の季節予報を完了できます。
再解析データで訓練された機械学習気象モデルによる巧みな世界季節予測
*ソース: npj 気候と大気科学
*著者: 英国エクセター・ハドレーセンター気象庁、エクセター大学、アレン人工知能研究所（Ai2）
*解釈:機械学習 vs. 動的モデル、Ai2の最新研究：ACE2はわずか2分で4ヶ月間の季節予報を作成可能
*紙:
球面信号処理と隠れマルコフアンサンブルフレームワークを組み合わせた確率的機械学習天気予報システム
FourCastNet 3: 大規模な確率的機械学習天気予報への幾何学的アプローチ
*ソース:arXiv
*著者Nvidia、ローレンス・バークレー国立研究所、カリフォルニア大学バークレー校、カリフォルニア工科大学
*解釈:NVIDIA/UC Berkeleyらは、15日間の予報を1分で完了し、シングルカードの超高速推論をサポートする機械学習天気予報システムFCN3を提案しました。
*紙:
https://arxiv.org/pdf/2507.12144
従来の数値気象予測モデルに頼ることなく、高度な気象予報を実現できます。
エンドツーエンドのデータ駆動型天気予報
*ソース：自然
*著者ケンブリッジ大学、チューリング研究所、トロント大学、マイクロソフト科学知能研究センター、欧州中期予報センター、英国南極観測局、Google DeepMind
*解釈:ネイチャー、ケンブリッジ大学などが、予測速度を数十倍向上させる初のエンドツーエンドのデータ駆動型天気予報システムをリリースした。
*紙:
https://www.nature.com/articles/s41586-025-08897-0
AI + 天文学
畳み込みニューラル ネットワークを使用することで、7 つの高品質なクエーサー レンズ候補を正常に特定できました。
DESI DR1で強力なレンズとして機能するクエーサーを発見
*ソース:arXiv
*著者スタンフォード大学、SLAC国立加速器研究所、北京大学、イタリア国立天体物理学研究所ブレラ天文台、ユニバーシティ・カレッジ・ロンドン、カリフォルニア大学バークレー校
*解釈:スタンフォード大学、北京大学、UCL、カリフォルニア大学バークレー校は協力し、CNN を使用して 810,000 個のクエーサーから 7 つの希少なレンズ状サンプルを正確に識別しました。
*紙:
https://arxiv.org/abs/2511.02009
AION-1: 天文学のための最初の大規模マルチモーダル基礎モデルファミリー
AION-1: 天文学科学のためのオムニモーダル基礎モデル
*ソースニュールIPS 2025
*著者：カリフォルニア大学バークレー校、ケンブリッジ大学、オックスフォード大学など
*紙:
