技術要約：ゲノミクスにおけるインタラクティブなマルチビュー可視化のエージェントによる作成

問題提起

ゲノミクス研究は、異種データ型（例：BigWig、BED、BAM、VCF）をマルチビューのインタラクティブなレイアウトに統合する、高度に専門化された可視化を必要とする。大規模言語モデル（LLM）は、自然言語による可視化作成の民主化において有望視されているが、この領域では以下の重大な障壁に直面している：

1. 複雑性： ゲノミクスの可視化は、マルチトラックの構成、協調的なインタラクション（ブラッシング、リンキング）、およびドメイン固有のイディオム（例：細胞遺伝学的バンド、遺伝子の方向性）を必要とすることが多く、汎用的なLLMが一度のパスでこれらを正しく生成することは困難である。
2. 曖昧性： ユーザーのクエリは、明示的なデータ参照や可視化の意図を欠いていることがあり、データの曖昧さの解消やドメイン知識に基づいた設計上の決定が求められる。
3. 既存手法の限界： 既存のツールは、カスタマイズ性に欠けるか、プログラミングの専門知識を必要とする。一般的な可視化についてはエージェント・システムが提案されているが、複雑なマルチビューのゲノミクス文脈におけるその有効性は十分に探索されておらず、最適なエージェント・アーキテクチャ（例：単一対複数エージェント、レビュアーの有無）に関するコンセンサスも存在しない。

方法論

データセットとシナリオ

著者らは、53個のグランドトゥルース（正解）となるGosling仕様（ゲノミクス可視化のための宣言的文法）から派生した159ケースの評価データセットを構築した。これらのケースは以下を網羅している：

• 3つの複雑度レベル (L1–L3)： 単一トラックのチャート（L1）から、協調されたビューと異種データを備えた複雑なアプリケーション形式のゲノムブラウザ（L3）まで。
• 3つのクエリ・シナリオ (S1–S3)：
  • S1: 明示的なデータと意図を持つ、曖昧さのないクエリ。
  • S2: データの曖昧さの解消や意図の明確化を必要とする、漠然としたリクエスト。
  • S3: 規定された視覚的形態を持たない分析目標であり、ドメイン知識に基づいた設計を必要とするもの。
• 評価プロトコル： 各ケースは各スキームにつき3回実行され、GPT-5.4-2026-03-05を用いた合計2,862回の実行が行われた。

作成スキーム

非エージェント型のベースラインから複雑なエージェント構成に至る、6つの異なるスキームを比較した：

1. 直接生成 (Direct Generation)： 完全なGosling仕様を生成する単一のLLMコール（バニラ・ベースライン）。
2. 固定パイプライン (Fixed Pipeline)： 反復的なフィードバックを伴わない、手動で設計された3ステップの連鎖（データ解釈 → エンコーディング → 構成）。
3. 単一エージェント (Single-Agent)： 仕様を生成、レンダリング、検査、修正する単一の汎用エージェント。
4. マルチエージェント (Multi-Agents)： 共有ループ内で協力する3つの専門エージェント（クエリ・データ整合、視覚要素適合、レイアウト・構造）。
5. 単一エージェント + レビュアー (Single-Agent + Reviewer)： 汎用エージェントと、全体的なレビュアー。
6. マルチエージェント + レビュアー (Multi-Agents + Reviewer)： 3つの専門家と、全体的なレビュアー。

すべてのエージェント・スキームは、エージェントがレンダリングされたスクリーンショットと共有された調整プロトコルに基づいて仕様を修正する、生成・レンダリング・検査・修正（generate-render-inspect-fix）のループを利用している。また、ユーザー・プロキシ・エージェントが、曖昧なクエリに対するユーザーの明確化をシミュレートした。

評価指標

出力の品質は、以下の2つの独立した軸を通じて評価された：

1. 知覚品質 (Perceived Quality)： バニラLLMの失敗に関する予備分析を通じて特定された8つの品質次元に基づき、LLM-as-a-judgeによってスコア付けされた：
   • D1: マークおよびエンコーディングの適切性
   • D2: クエリへの適合性
   • D3: レイアウトおよび構成
   • D4: インタラクションおよび協調
   • D5: 軸および凡例
   • D6: 先行的な強化
   • D7: スタイリングおよび視覚的明瞭性
   • D8: データ適合性
2. 構造的類似性 (Structural Similarity)： グランドトゥルースの仕様に対する文脈自由文法（CFG）の類似度によって測定。

主な貢献

1. 失敗モードの特性化： バニラLLMがゲノミクス可視化において失敗する、8つの繰り返される品質次元を特定した（例：遺伝子トラックのための複合的なグリフのレンダリング不能、協調的なブラッシングの実装失敗、およびゲノミック軸を抑制するバイアス）。
2. 評価フレームワーク： ユーザー・プロキシ・エージェントを用いて現実的なクエリの曖昧さをシミュレートする新しいフレームワークを構築し、完全に指定されたベンチマークを超えた評価を可能にした。
3. 比較分析： 6つの作成スキームを体系的に評価し、エージェントによる反復、エージェントの専門化、およびレビュアーの存在による影響を分離した。

結果

エージェントによる反復 vs ベースライン

• 知覚品質： エージェント・スキームは、直接生成および固定パイプラインの両方のベースラインを大幅に上回った（分散の43.2%を説明）。反復的な「生成・レンダリング・検査」ループにより、モデルは単一パスで見逃された設計上の選択を自己修正することができた。
• 構造的類似性： エージェント・スキームは、構造的類似性においてベースラインよりもわずかな改善しか示さなかったが、仕様の複雑さ（L3）が増加しても耐性を示した。
• 複雑性への耐性： 複雑さがL1からL3へと増加するにつれ、直接生成の品質は急激に低下した（-0.45）が、エージェント・スキームの低下は緩やかであった（-0.31）。

アーキテクチャの選択

• 専門化とレビュアー： 直感に反して、より多くのエージェント（マルチエージェント）を追加したり、レビュアーを追加したりしても、知覚品質は有意に向上しなかった。
  • 単一エージェントとマルチエージェントのスキームは、同等の品質を達成した。
  • レビュアー・エージェントは、知覚品質への寄与がほぼゼロであり、構造的類似性をわずかに低下させた。
  • ステップごとの分析により、主要な作成エージェント（クエリ・データ、視覚エンコーディング）が品質向上を牽引している一方で、レイアウト・構造およびレビュアーのエージェントの寄与は最小限であることが明らかになった。
• コスト効率： エージェント・スキームは、トークンおよび時間のコストが大幅に高くなった。単一エージェントの構成は、エージェント・オプションの中で最も低いコストでベースラインレベルの品質を提供し、最良のバランスを実現した。

指標の独立性

知覚品質と構造的類似性は統計的に独立している（$r = 0.001$）ことが判明した。これは、可視化がグランドトゥルースとは構造的に異なっていても、高品質である（あるいはその逆）可能性があることを裏付けている。

意義と主張

本論文は、ドメイン特化型の可視化作成において、エージェントによる反復こそが、アーキテクチャの複雑さではなく、品質向上の主要な要因であると主張している。主な含意は以下の通りである：

1. 文法とエージェントの相補性： 特化した文法（Goslingのような）は、出力空間を制限するガードレールとして機能し、一方でエージェントによる反復は、視覚的フィードバックを介してその空間内を柔軟に探索し、エラーを修正することを可能にする。この組み合わせは、硬直したパイプラインや単一パスの生成よりも効果的である。
2. 複雑性の収穫逓減： 単にエージェントやレビュアーを増やすだけでは、結果は向上しない。著者らは、将来的な進歩は、より多くの役割を追加することではなく、エージェントと文法セマンティクス（例：よりきめ細かな検証ツール）との間のより緊密な結合から得られる可能性があると示唆している。
3. 限界： 本研究の結果はGPT-5.4モデルおよびGosling文法に特有のものであることを認めている。評価は完全に自律的であり、人間による検証（Human-in-the-loop）を欠いており、ユーザー・プロキシは現実世界のユーザーインタラクションの難しさを完全には捉えきれていない可能性がある。

結論として、著者らは、複雑なマルチビューのゲノミクス可視化に対しては、単純で反復的なエージェント・ループがあれば、非エージェント型のベースラインを凌駕するのに十分であり、さらなるアーキテクチャの複雑化は、より精密なツールの統合なしには、無視できるほどの利益しか提供しないと断じている。