プロンプトベースのメタウイルスワークフローのためのバイオインフォマティクスパイプライン生成
Pengchong Ma1, Haoze Zheng1, Weijun Yi2,3
1School of Computing, University of Nebraska Lincoln, Lincoln, NE 68588, United States.
Bioinformatics advances
|January 12, 2026
まとめ
大規模言語モデル（LLM）は、複雑なバイオインフォマティクスパイプラインを生成でき、プログラミングスキルが限られている研究者を支援します。ChatGPT-4やGemini 2.5などの高度なモデルは、これらの自動化ワークフローの作成と更新において優れたパフォーマンスを示します。
科学分野:
- バイオインフォマティクス
- 計算生物学
- 人工知能
背景:
- バイオインフォマティクスツールと多段階分析手順の複雑さが増すにつれて、効果的な計算パイプラインの作成が課題となっています。
- 特にプログラミングの専門知識が限られている研究者は、これらのワークフローの開発と維持において大きな障害に直面しています。
研究 の 目的:
- エンドツーエンドのバイオインフォマティクスパイプラインの生成における大規模言語モデル（LLM）の可能性を調査すること。
- 多段階メタウイルスワークフローをケーススタディとして使用して、自動化された分析ワークフローを作成する上でのさまざまなLLMの効果を評価すること。
主な方法:
- OpenAIのChatGPTシリーズ、AnthropicのClaudeシリーズ、Google Gemini、Meta Llama、DeepSeekを含む複数の大規模言語モデルのテスト。
- LLMのパフォーマンスをガイドするために、慎重に作成されたプロンプトを使用し、公式ドキュメントを組み込むこと。
- パイプライン生成の成功率と、ツールの置換を処理するモデルの能力を評価すること。
主要な成果:
- ChatGPT-4、ChatGPT-5、Claude 4.5、Gemini 2.5は、完全なバイオインフォマティクスパイプラインの生成において統計的に有意に優れたパフォーマンスを示しました。
- これらの主要なLLMは、ツールの置換を効果的に管理し、プロンプトエンジニアリングとドキュメントの統合から恩恵を受けました。
- テストされたすべてのLLMは、初期のパイプライン生成と後続の更新の両方で可能性を示しました。
結論:
- LLMは、バイオインフォマティクスパイプラインの構築を自動化するための有望なソリューションを提供し、複雑な分析を民主化します。
- プロンプトエンジニアリングとツールドキュメントの活用は、バイオインフォマティクスパイプライン生成におけるLLMの効果を最大化するための重要な戦略です。
- この研究は、AIを使用してバイオインフォマティクスワークフローの開発と保守を合理化するための基盤を提供します。
