2025-06-19

論文の著作権や再利用について

fuku株式会社の鈴木貴之です。ライフサイエンス分野のデータ利活用促進を目指して研究を行っています。最近は特に論文内で表現される情報の再利用促進に興味を持っています。

論文の発行数は年々増えており、一部の研究者からは人間の手に負える出版量を超えているという意見も出てきています（例: https://arxiv.org/pdf/2309.15884）。膨大となりつつある論文情報ですが、その中から適切な論文に網羅的かつ効率的にアクセスし利活用できるかどうかが、研究促進や発展に欠かせないと考えています。

先行研究の調査や引用のために論文が用いられることはもちろんですが、近年では、先行知見の統合解析、自然言語処理や大規模言語モデルによる知識抽出、さらには機械学習のための学習データ等としても再利用される機会が増えているように思います。こうした変化も踏まえ、改めて科学論文の著作権的な取り扱いや、再利用の実態について調査してみました。

本記事では、2025年5月時点の現在における下記3点について調査した結果を共有します。

科学論文のライセンスについて
利活用可能な論文数の増加について
大規模な論文再活用の事例

1 科学論文のライセンスについて

科学論文は、文章や図を用いて研究成果を発表した表現物であり著作物として認識されます。よって論文の創作と同時に作者に著作権が発生します。その著作権の取り扱いは、主に従来型（購買型・クローズド）、オープンアクセス誌（OA）、ハイブリッドオープンアクセス誌（ハイブリッドOA）の3つの形態に現状では区分されています。

従来型（購読型・クローズド）

従来の形式では、科学誌に論文を投稿する際に出版社との間で著作権譲渡契約が結ばれ、著作権の一部または全部が出版社に移転することが一般的です。出版社がその論文の発行・配信および商業的利用の管理権を保持する形になります。

例えば、AAASが発行する Science は主に購読型の論文誌として知られています。多くの場合、著者は論文の著作権をAAASに譲渡する契約を結び、論文は購読者のみがアクセスできる形式で公開されます。基本的には、出版社の許可がなければ、こうした論文をテキストマイニング等の機械的な論文再利用の対象として利用することはできません。

オープンアクセス誌（OA）

近年では、更なる研究成果の共有と再利用を促進するためのオープンサイエンスの潮流を受け、誰でもアクセス可能なオープンアクセス論文を出版する論文誌（オープンアクセス誌）が増えています。オープンアクセス誌では、著者がAPC（Article Processing Charge）を支払うことで読者からの購読料は不要となっています。また、出版社への著作権譲渡ではなく、著者が一定の権利を保持する契約形態となっています。著者は論文データの再利用条件を指定できるようになっており、その際に Creative Commons（CC）ライセンスが多く採用されています。

CCライセンスには「表示（BY）」「非営利（NC）」「改変禁止（ND）」「継承（SA）」の4つの基本要素があり、それらを組み合わせた6種類の主要なライセンス形態が提供されています。詳細は Creative Commons に記載されています。

例えば、Springer Natureが発行する Nature Communications および Scientific Data は、すべての論文がオープンアクセスとして公開される完全OA誌（Gold Open Access Journal）です。例えばNature Communicationsでは、CC BYライセンス化での出版を標準とし、必要に応じてCC BY-NC-NDやCC BY-NC-SA等の別ライセンスを選択することも可能という規約になっています。

ハイブリッドオープンアクセス誌（ハイブリッドOA）

オープンアクセス誌は全ての論文において著者のAPC支払いが必須である一方で、ハイブリッドオープンアクセス誌（ハイブリッドOA）は、希望する場合のみ比較的高額なAPCを支払うことで、その論文のみをオープンアクセス化できる仕組みです。この場合も著作権の扱いはオープンアクセス誌と同じで、著作権は著者に残り非独占的ライセンスを出版社に許諾するという形になります。

例えば、Springer Natureが発行する Nature Biotechnology は基本的に購読型のジャーナルですが、著者がAPCを支払えばOA論文として出版することが可能です。

論文のライセンスに関する補足情報

近年は Rights Retention Strategy（RRS）も注目されています。これは、著者が特定のライセンスによる公開権を投稿前に明示し、たとえ購読型雑誌であっても、自らのリポジトリ等でOAとして公開することを可能にする手法です。ただし、一部の出版社ではこの方針を認めておらず、論文の受理自体が拒否される場合もあるようです。
論文誌からオープンアクセスとして公開される論文はGold Open Access、論文誌ページ以外の場所で自ら公開したOA論文のことをGreen Open Accessと呼びます。Green Open Accessについては、出版社から定められているGreen OAによる猶予期間（エンバーゴ期間）を超えてから公開することが可能です。
アメリカのライフサイエンス研究最大の資金提供機関であるNIH（National Institutes of Health）は、2025年7月1日からオープンアクセスに関するルールを改定します。NIHの資金を受けた研究成果は出版と同時にOAで公開することが義務化（これまでは最大12ヶ月間のエンバーゴ期間が許容されていた）されます。今後も更なる論文のOA化が進むことが予想されます。 NIH Public Access Policy Overview | Data Sharing https://osp.od.nih.gov/policies/public-access/

テキストデータマイニング（TDM）の可否

テキストデータマイニング（TDM）の可否については、国ごとの法制度により微妙に異なるようで、統一見解はないようです。よって、TDMにおいては出版社のポリシーや個別のライセンス条件に留意する必要があります。例えば、商用利用目的でのTDMにおいては、ライセンスの確認が必要です（例：CCライセンスのNCが付与されている論文の場合は、商用利用目的でのTDMは不可）。また、TDM後の資料は、場合によりAdapted Materials（著作物の改変物）に該当するため、それを共有・公開する際には、TDM前の著作物に付与されているライセンスの確認が重要となります（例：CCライセンスのNDが付与されている場合は、改変物の共有は不可）。

※ Adapted Materialsは、「原著作物を改変・翻案して新たに作成された著作物」を指します。例えば、原著論文からTDMを通じて新たな知識表現（例：ナレッジグラフや関係抽出表など）を生成した場合、それが元の構造や表現を保持している場合に、Adapted Materialとみなされる可能性が高いと考えられます。一方で、TDMによって得られたデータから解釈した結果、例えば、統計的な傾向、単語の頻度情報など、原文の構造や著作性を含まないものはAdapted Materialsとはみなされません。 Content mining - Creative Commons

小括（1 科学論文のライセンスについて）

小括すると、論文誌には購買型、完全OA型、ハイブリッドOA型の３種類が存在します。論文の機械学習やTDMへの利用可否は、主に論文に付与されたライセンスと著者・出版社のポリシーに依存します。例えば、本記事の中盤で紹介させていただくPubMed Central OAサブセットやEurope PMC OAサブセットのようにTDMが許可された論文群もありますが、NC（非営利）やND（改変禁止）付きの場合は慎重な取り扱いが必要です。

2 利活用可能な論文数の増加について

PubMedはライフサイエンス分野において頻繁に使用される文献データベースかと思います。U.S. National Institutes OF Health’s National Library OF Medicine (NIH/NLM) により管理されています。2025年5月12日時点における論文収載数は、3800万を超える数、38,794,907件です。2000-2024年のPubMed論文数の推移はFig1となっており、2000年の頃の約3倍の論文が毎年PubMedに登録されています。2024年のPubMedへ登録された論文数を1,700,000件とすると、1分に約3件の論文がPubMedに登録されている計算となり、近年の論文数の増加は著しいことがわかります。

PubMed Central (PMC) は、ライフサイエンス論文の全文を無料で公開しているサービスです。これら論文は全て無料で読むことは可能ですが、機械学習やテキストマイニング等のために再利用ができる論文はその中の一部であり、PMC Open Access Subsetと呼ばれています。PMCで”open access[filter] “と検索するとそのSubsetにアクセスすることができ、2025年5月22日時点で、約690万の文献がSubsetに含まれています。PMC Open Access論文数の2000-2024年の推移を可視化すると、Fig2のようになっています。PubMedにも増して顕著な増加傾向が確認されます。最も登録が多い2022年の論文数834,545件は、2000年の5,618件の約148倍です。PubMedと同様に2023年以降の論文数の増加率は鈍化しつつあることがわかりますが、依然として多くの論文が毎年PMCに登録されており、このペースでいくと、大規模に利活用できる論文数は今後も日々増大していくことが予想されます。

Fig2: The PMC Open Access論文数の2000-2024年の推移

PMC Open Access Subsetは、主にEntrez Programming Utilities (E-utilities)と呼ばれるインタフェースを使ってアクセスすることが一般的です。E-utilitiesを使うことでOA論文を機械的に処理することが可能となっています。また、私個人としてはあまり使った経験がないのですが、FTP Service, BioC API Serviceなども機械的なアクセス手段として用意されているようです。

Europe PMCは、ヨーロッパのEuropean Bioinformatics Institute (EBI) で管理される文献データベースです。2025年5月23日時点で、PubMedを超える4600万件以上の文献が登録されています。OAのフルテキスト論文は約107万件です（https://europepmc.org/search?query=HAS_FT:Y）。Fig3のような論文数の推移がグラフとして下記URLに載っています（https://europepmc.org/downloads/openaccess）。Europe PMCにおいても、専用のAPIやFTPサイトを通じて、OA論文を機械的に再活用することが可能です。

3 大規模な論文再活用の事例

今回は、大規模に論文情報を活用した研究をいくつか調査してみました。調査結果を簡単に共有します。

Data-driven historical characterization of epilepsy-associated genes (https://doi.org/10.1016/j.ejpn.2022.12.005)

こちらの論文では8,032件のPubMed論文要旨を対象として、解析を行い、脳の疾患であるてんかんに関連する遺伝子を網羅的に探索しています。探索条件を少し緩めと厳しめの２パターン用意し、２種類の関連遺伝子群を抽出しました。厳しめの探索パターンでは、8,032件の論文解析結果に加え、手動での品質管理も実施することにより、信頼性が高い遺伝子が抽出されており、その中には既知の遺伝子に加えて、臨床パネルには含まれていない遺伝子も見つかったようです。大規模な文献情報の解析が、機能性遺伝子の抽出に活用されています。

Systematic illumination of druggable genes in cancer genomes (https://doi.org/10.1016/j.celrep.2022.110400)

この研究は新規のPotential Druggable Genes（PDGs: 薬剤で標的にできる遺伝子の候補）を探索した結果を報告しています。16のがん関連特徴を使うことで、6083個のPDGsのそれぞれを評価して、スコア付けしています。つまりPDGsスコアの高い遺伝子は、がん治療における有望な遺伝子である可能性が高いことになります。文献情報が有効活用されたのはこの後になっています。有望な遺伝子について、どれだけの文献で何回出現したかを調査しています。つまり文献データベースでの出現率が低い遺伝子は、これまであまり着目されていなかった遺伝子といえるため、未開拓だが治療標的としては有望な遺伝子といえます。こちらの研究においても、大規模な文献情報の解析により見過ごされている遺伝子の発見に貢献をしています。

A study on large-scale disease causality discovery from biomedical literature (https://doi.org/10.1186/s12911-025-02893-0)

SemRepと呼ばれる、医学論文からルールベースで疾患の関係性を抽出するツールにより、新たな疾患の関係性を発見する土台を作ったという報告論文になります。専門家の詳細な語彙ルール評価により因果関係抽出ルールを進化させ、SemRepの精度が最大96.97%まで向上されました。精度の上がったSemRepを使うことで、実際にこれまで未着目である因果関係の発見が見込めるようです。例として、肥満と閉塞性睡眠時無呼吸症候群についてなどの「高頻度差の双方向性疾患因果関係性」というものが挙げられています。一方の方向への因果は強いが、逆方向への因果は弱い関係性を示します。また、歯周病が稀に敗血症性肺塞栓症（SPE）の原因となるといったような「稀な因果関係」についてもこれまでより抽出が可能になるようです。OA論文サブセットを知識発見の基盤として活用し、さらに論文情報の構造化により有用知見の発見に繋げた例といえるかと思います。

まとめ

今回は、論文のライセンス、利活用可能な論文数の増加、大規模な論文活用事例、の3点について共有させていただきました。まだまだクローズドな論文が多い現状もありますが、比較的オープンアクセス論文の増加量の方が多く、大規模に解析できる論文が増えてきているかと思います。論文で表現されている情報を統合的に再解析し新たな視点で知識抽出を行うことで、これまでに気づけなかった仮説や知見が生まれる可能性があると考えています。

2025-06-15

第3回 Science of Science研究会に参加した話

こんにちは、リサーチャーの鈴木貴之です。fuku株式会社にて研究活動を行っており、学生時代はバイオインフォマティクスを中心に研究していました。現在は、ライフサイエンス研究（特に論文）を対象とした研究に取り組もうとしているところです。そんな中で代表の山田からのお勧めにより、第３回のScience of Science研究会に参加する機会を得ました。本記事では、その参加報告を兼ねて、感じたことや考えたことをまとめてみます。

Science of Science（SciSci）とは？

SciSciとは、その名の通り科学を研究する学問分野です。Science of Science第２回研究会Webpageによると、「科学を取り巻くメカニズムを明らかにすることに取り組む学際的な学問領域の総称」とされています。似た分野として、科学社会学、計量書誌学、ネットワーク科学などなどがありますが、SciSciの特徴は、「計算的アプローチを用いて科学の裏にある構造に迫る」点にあるようです。とはいえ、実際には今回の研究会でも、「SciSciとは何か」、「どのように収束していくのか」、といった議論が交わされており、まだ定義や輪郭が流動的な分野なのかなと思っています。オープンサイエンスが進む今の時代だからこそ立ち上がってきた新たな分野の学問ともいえるのかと思います。その点に、個人的にはワクワク度が高まりました。

研究会の感想

予想通り、非常に多様な分野の研究者や研究支援者が参加されており、研究領域ごとに異なる科学の構造が存在することを改めて実感しました。科学全体の構造についての議論はもちろんですが、研究分野特有の課題に関する議論の場としても、SciSci研究会は非常に有意義だと感じました。

様々なトピックがある中で、特にピックアップされているなと感じた分野は、「科学と政策」かと思います。基調講演でもこのテーマから始まり、パネルディスカッションでも頻繁に取り上げられていた政策の話は非常に印象的でした。「policy-based evidence making（政策に都合のいいエビデンスを後付けする）」を減らし、少しでも「evidence-based policy making（科学的根拠に基づく政策立案）」が増えるために、SciSciが果たす役割は非常に大きい可能性があるという議論には共感を覚えました。SciSciは社会との関わりが密接な研究分野であるということを、現場で再認識する機会にもなりました。

私が興味を持つSciSciの可能性

ライフサイエンス分野は、SciSciの研究対象としても非常に興味深い領域だと思います。というのも、オープンサイエンスが比較的進んでおり、膨大な量のライフサイエンス関連の文献や研究データが、国境を超えた協力体制により再利用可能な形で整備されつつあるからです。

私自身も、そうしたデータ基盤を活用しながら、データ駆動的にライフサイエンスに関する仮説を導き出す研究を行なってきました。一方で、ライフサイエンスのデータ駆動科学のための基盤にはまだ課題が残されていることもみえてきました。今後の研究では、そうした課題の洗い出しと、その改善の方向性に焦点を当てていきたいと考えています。

このような関心をSciSci的に表現するとすれば、「計算的アプローチを通じて、ライフサイエンス分野におけるオープンサイエンスの促進、その意義や課題解決に迫る」といえるかと思います。こうした研究を進めるうえで、他分野ではどのような知見やアプローチが展開されているのかを知ることが、自身の研究視野を広げる上で重要だと感じています。

他分野の研究者との意見交換を通じ、自分の研究を見つめ直すと同時に、いつかは自分の知見がSciSciコミュニティや他分野にも貢献できるようになりたいという思いが今回芽生えました。今後もできる限り継続的にSciSci研究会に参加していきたいと考えています。

2025-06-15

2025年第39回人工知能学会（JSAI）

こんにちは、fuku株式会社のリサーチャー鈴木貴之です。AIの勉強のため、初めて人工知能学会 (JSAI) に参加しました。これまでは主に生命科学の学会に出ることが多かったため、今回はとても新鮮な体験でした。さまざまな方々のAIに対する考え方や活用事例、開発・応用の研究に触れることができ、大変ながらも充実した４日間となりました。

全体的な感想

学会では最大17のセッションが同時に進行していて、気になる講演も多かったので、どこに行こうか迷う場面が多々あったのですが、JSAIは全ての講演が録画されているため、後日視聴できる点が非常に助かりました。全てを見返すことは流石に難しかったですが、気になっていた講演や、聞き直したい講演を、後から視聴できたことで理解が深まったように思います。

ポスターセッションもとても活気があり、なかなか入り込むのが大変なほど盛り上がっていました。３日間に分かれて展示されていたため、１日あたりのポスター数は多すぎず、歩きながら興味のある発表を選んで話を聞けたことも良かったと思います。コーヒーやオレンジジュース、お菓子が提供されている点もありがたかいポイントでした。

企業ブースについては、やはりAIを活用したシステム開発を行っている企業が多数出展している印象でした。学生向けの懇親会や「人材募集中」といった案内も多く見かけたので、学生の方にとっては特に有意義な場になっているのではないかと思いました。

印象に残ったセッション

今回の学会で個人的に印象に残っているセッションは下記です。

エージェントの性質について

最近はエージェントという言葉をよく耳にするようになりました。人間を介さず、AI同士がやり取りを行うシステム開発が多く進んでいる中で、エージェント同士の対話によってその性質がどう変化するのか、というテーマは非常に興味深く感じました。

相良先生（静岡県立大学）は、きのこの山派とたけのこの里派のLLMに、利己的・協力的・利他的のいずれかのパーソナリティを与え、対話を通じて性質がどう変化するかを数理的に評価されていました。宮澤先生（大阪大学）は、エージェントに職業を割り当てたうえで仮想空間で週末を過ごさせ、その中で趣味や嗜好がどう変化するかを観察した研究成果を紹介されていました。

エージェントによる問題解決タスク性能の評価手法はいくつかみたことがありましたが、性格や嗜好性といった「LLMに付与される人間的な性質」の変化を可視化・評価する仕組みについてはあまり見たことがなかったので、とても印象的でした。こうした研究が進むことで、エージェントの活用範囲もさらに広がるかもしれないと感じました。

ナラティブと人工知能について

タイトルに惹かれてふらっと入ってみたセッションでしたが、哲学・文学・歴史学などさまざまな分野の先生方が、「ナラティブ」という一見抽象的なテーマをAIと結びつけた講演およびパネルディスカッションがされていました。普段あまり人文学に触れることがない自分にとって、かなり刺激的な講演でした。

総研大の前山先生は、「過去と歴史と私たちとAI」という幅広いテーマについて、コンピュータの歴史研究者として発表されていました。生成AIが大量の情報を生み出している今、歴史学にどう活用できるのか、どのような影響を与えるか、という視点は興味深かったです。

特に印象に残った点は、「これまでの歴史学は、限られた記録資料しかない時代を扱ってきたが、現代は誰もが情報の生産者となっている。これは人類史上初めての状況であり、生成AIはそれらを可視化することで歴史研究の広がりに寄与する可能性がある」という議論です。AIに加えて人間による情報量も多い中で、AIが学問へ与える影響という観点から示唆に富んでいると感じました。

AIサイエンティスト

こちらは個人的にも、会社としても、そして社会全体としてもホットなテーマかと思います。弊社代表の山田がパネルディスカッションの一員として参壇していました。

過去の知見に基づく仮説構築、再現性ある検証、論文執筆など、研究における様々なタスクは、AIが比較的得意な領域なのではないかと考えられはじめています。このセッションでは、今のAI駆動科学がどの段階にあるのか、AI生成の論文と人間が書く論文の違いや今後の共存のかたち、AI時代に求められるスキルとは何か、といった議論が行われていました。

中でも印象に残った、「本当にその研究成果を必要としている人にとっては、それがAIによって書かれたか人間によるものかは重要ではなく、情報の質が最も大事」という指摘です。まさにその通りだと共感しました。また、今後人間に求められる重要なスキルとして「課題を理解する能力」と「その課題を言語で表現する力」が挙げられていた点も、とても納得感がありました。

最後に

初参加でしたが、とても学びの多い4日間となりました。これまであまり接点のない分野にも多く触れることができて、大きな刺激になったと感じています。来年以降ももしタイミングがあればぜひ参加したいと思っています。

※本記事は、鈴木貴之個人の学会参加に基づいた感想・意見です。記載された講演内容や見解は、発表者ご本人および学会公式の見解とは異なる可能性があります。

2025-04-10

bolt.newを使ってみた話

fuku株式会社でインターンをしております、松澤と申します。普段は博士課程学生として、「LLMを用いたバイオインフォマティクス解析環境の自動構築」というテーマで研究を行っています。

今回は、AIを用いたWebアプリケーション開発サービスのbolt.newを利用した感想を記したいと思います。

背景

ある業務において、ワークフローの実行ログを管理するWebアプリケーションを実装することになりました。このアプリケーションには、主に以下のページを実装することが求められました。

今までの実行記録を一覧として閲覧するページ
各実行記録の詳細を閲覧するページ
1. 実行したワークフローを構成するプロセス間の依存関係（プロセスAが終わったあとでなければプロセスBは開始できない、など）がグラフ構造で表示される
2. 前述のグラフのノードをクリックすると、ノードに対応したプロセスの実行ログ（実行ステータス、開始・終了時刻など）が表示される

当初は既存のOSSをカスタマイズして使用する計画でしたが、条件を十分に満たすソフトウェアが見つからなかったため、フロントエンドをフルスクラッチで実装する必要が生じました。しかし筆者はフロントエンド開発の経験が浅く、OSSのカスタマイズと比較して工数がかかりすぎることが予想されました。そこで、AIを用いたWebアプリケーション開発サービスのbolt.newを利用したフロントエンド開発を試してみることにしました。

bolt.newを使ってみる

早速、実装したいフロントエンドのイメージを、日本語のプロンプトで与えてみました。与えたプロンプトのイメージは以下のとおりです：

"列A", "列B", "列C"を列として持つ表を作ってください。各列はソートと検索ができるようにしてください。

ページの右上にユーザーアイコンとユーザー名、ヘルプボタン、ログアウトボタンをつけてください

bolt.newの開発画面。左側のチャットに指示を入力すると、右側のエディター部分でコードが生成される。エディターには"code"タブと"preview"タブがあり、"code"タブでは生成されたフロントエンドのコードが表示され、"preview"タブでは実際の見た目を確認することができる。

かなりふんわりとした指示でしたが、1回目の生成の時点で、ほぼ筆者のイメージ通りのコンポーネント構成を持つページが出力されました。また、見栄えに関する指示が何もない状態でもtailwindcss*1を使用したリッチな見た目のページとなっており、見た目に関しては全く手を加える必要がない状態でした。

実行ログの一覧画面。各行が1回の実行に対応している。表形式になっており、列ごとに並び替え、検索が可能。各行のidをクリックすると詳細画面に遷移する。

実行ログの詳細画面。ワークフローを構成するプロセスの依存関係がグラフ構造で表されており、各ノードの色はプロセスの実行ステータスを反映している。このノードをクリックすると、右側にプロセスのログ情報が表示される。

仕様変更により苦戦

しかし、このあとで思わぬ苦戦を強いられました。表示するデータの構造に大きな変更が生じたため、それに合わせてフロントエンドを改修する必要が生じたのです。当初、bolt.newに修正を指示するプロンプトを与えて複数回修正を試みました。しかし、その都度新たなバグが生じてしまい、動作するコードを生成させることができませんでした。そのため手動で修正することにしましたが、その結果「他人が書いた（しかも自分の守備範囲外の）コードを読み解いて修正する」というヘビーな作業が発生し、かなりの工数を割くことになってしまいました。

今思えば、大幅な仕様変更が生じた時点で始めから作り直す方が工数を削減できたのではないかと思います。

使ってみた感想

生成されるフロントエンドのデザインは申し分なく、このクオリティのWebページを30秒程で生成できることに驚きました。一方で、大幅な仕様変更はうまくいかない場合があるため、あらかじめ仕様を十分に固めておき、やむを得ず大幅な仕様変更を加える場合はゼロベースで作り直すことを視野にいれるべきだと感じました。特に開発者がフロントエンド開発に習熟していない場合、無理に手動で修正しようとすると、bolt.newによって得られる利点（短時間で見栄えの良いフロントエンドが生成される）を打ち消すほどの手間と時間がかかる可能性が高いです。

落穂拾い

生成したコードのバージョン管理

StackBlitzを使用することで、GitHubと連携させる事ができるようです。私はローカルでも動作確認をしていたので、bolt.new上で変更されたファイルを都度ローカルにコピー&ペーストし、ローカルのGitで管理していました。bolt.newでは「どのファイルが追加・削除・変更されたか」を表示してくれるので、変更の追跡は十分可能です。

メッセージの言語

日本語でプロンプトを書いた場合でも問題なくコードを生成してくれますが、返ってくるメッセージは英語でした。

*1:ここは好みが分かれるかもしれません。tailwindcssを使ってほしくない場合は、プロンプトにその旨を記載したほうが良さそうです。

2024-09-22

Nature誌の論文はbioRxivにPreprint版があるか？

背景

基盤モデルの発達により論文を扱ってさまざまなことができるようになりました。しかし、ライフサイエンス領域において未だオープンアクセスが世の主流とは言えません。

そのため論文テキストの解析を行う場合、以下のいずれかの選択をする必要があります。

オープンアクセス論文に限って全文を解析
有料ジャーナルも含めてTitle, Abstractのみを解析

そして、どちらのアプローチを取っても片手落ち感が出てしまいます。論文を対象とした解析の話題になると、結局いつも「有料ジャーナルの全文読めないとね...」となるのが定番でした。

きっかけ

先日、文献をLLMで解析されている方とディスカッションをしました。いつもの如く話題はpaywallに行き着きましたが、有望な情報をいただきました。

「NatureのウェブサイトでOpen Accessと表記がないものでも、bioRxivでタイトルを検索するとPreprintがヒットすることがある」と耳寄り情報。

実際にZoomで画面共有しながらいくつか論文を検索してみたところ、以下の論文はnature.com上ではOpen Accessの表記がありませんが、

https://www.nature.com/articles/s41586-024-07772-8

bioRxivに似たようなタイトルのPreprintがありました。

https://www.biorxiv.org/content/10.1101/2024.01.02.573835v1.full

タイトルと著者、投稿時期からbioRxivにPreprintを投稿したのちに、Natureに投稿したと思われます。

Abstractを比較すると若干の違いがありますが、

Figureはぱっと見、大きな変更はないようです。

これにより、有料ジャーナルの論文はbioRxivにてほぼ同じ内容のPreprintを取得することで代替することができるのではないか、という仮説が立ちました。あとは、具体的にどれくらいの比率でPreprintが手に入るかが気になります。

方針

Step1. 2023年に発行されたNature誌（Volume 613-624）のタイトル、著者を取得
Step2. タイトル、著者を元にbioRxivにて検索し、同一の論文を探す

Step1. 2023年に発行されたNature誌（Volume 613-624）のタイトル、著者を取得

nature.com上で検索し、取得しました。合わせてOpen Accessの表記があるかもチェックします。

1159件中、47%の550件がOpen Accessでした。これは予想よりも多かったです。すでにNature誌に投稿された論文のうち約半数はOpen Accessになっているようです。

分類	件数	割合
Open Access	550	47.5%
not Open Access	609	52.5%
合計	1,159	100%

ちなみに過去20年分も同様に調べたところ、2020年ごろから急に増えていることがわかりました。転換契約が進んでいるのでしょうか。

Step2. タイトル、著者を元にbioRxivにて検索し、同一の論文を探す

ともあれ、2023年の1,159件についてbioRxivに該当する論文があるかチェックします。

単にタイトルだけで検索すると数百件ヒットすることもあるので、advanced searchでファーストオーサーも検索条件に加えます。取りこぼしもありそうですが、ノイズを減らすことを優先しました。

検索結果に表示されるタイトル、著者名とnature.comの表記を比較し、一致していると判断すればbioRxivの個別ページのURLを取得します。

ただし、微妙な表記揺れをどこまで許容し、どの程度タイトルおよび著者が一致していれば論文とPreprintが関連性があると判断するか、自前で実装するのはなかなか面倒です。

ここの判断はLLMに任せることとしました。プロンプトはこんな感じです。ちなみにこのプロンプト自体はClaudeに粗方書いてもらい、多少アウトプットを整形するなどしただけです。

system_prompt = """
You will be given an HTML search result from bioRxiv. This HTML may contain zero or more paper entries. 
Your task is to determine if a specific target paper is included in these search results and, if found, extract its title, authors, and url.

You will be provided with the following information about the target paper:
1. Title
2. Authors (limited to the first, second, and last author)

Follow these guidelines carefully:

1. Title Matching:
   - The title of the target paper may not exactly match the title in the HTML results.
   - Allow for minor variations in formatting or wording.
   - Use your judgment to determine if the titles are sufficiently similar.

2. Author Matching:
   - The provided author list for the target paper is incomplete, containing only the first, second, and last authors.
   - The HTML results will contain the full list of authors for each paper.
   - Check if the provided authors (first, second, and last) are present in the HTML author list, in that order.
   - Do not require an exact match of all authors, as the HTML will contain additional names.

3. URL Extraction:
   - If you find a match based on the title and authors, extract the URL for that paper from the HTML.

4. Output:
   - If a match is found, return the title, authors and url of the matching paper (you have to extract these values from html).
   - If no match is found, indicate that the target paper was not found in the search results.

Analyze the HTML carefully, considering potential variations in formatting and presentation. 
Be thorough in your search to ensure you don't miss a potential match.

You should return the results of the search in the following json format if a match is found:
e.g.
{
    "title": "Pre-T cell receptor self-MHC sampling restricts thymocyte dedifferentiation",
    "authors": "Jonathan S. Duke-Cohan, Aoi Akitsu, Robert J. Mallis, Cameron M. Messier, Patrick H. Lizotte, Wonmuk Hwang, Matthew J. Lang, Ellis L. Reinherz",
    "url": "https://www.biorxiv.org/content/10.1101/2020.07.27.222166v1"
}

If math is not found, return the following json:
{
    "title": "",
    "authors": "",
    "url": ""
}
"""

そしてnot Open Accessの609件を処理した結果、5.9%の36件はbioRxivにてPreprintを確認できました。

分類	件数	割合
Preprint	36	5.9%
no Preprint	573	94.1%
合計	609	100%

モデルはgpt-4o-miniを使い、費用はトータルで$2程度でした。

感想

有料ジャーナルに掲載された論文のPreprint版をbioRxivで探すというアイディアはワクワクしたが、まだまだ頼りにするほど多くはなかった
NatureのOpen Accessの割合がほぼ半分まで増えていて驚いた
もう数年待てばNature誌で、10年くらい待てばライフサイエンス全体で、論文はOpen Accessが主流になるかもしれない。長い目で期待しましょう
微妙な表記揺れをどこまで許容するかなどはかなり設定が面倒なタスク。荒く解析したい時にはLLMに丸投げすることで圧倒的に工数を削減しつつ、ある程度のクオリティの結果を得られる

2024-05-20

LangChainを使ったSPARQLクエリ生成

はじめに

fuku株式会社にてインターンをしています、鈴木です。本業は広島大学のゲノム情報科学研究室にて大学院生をしております。研究を進める中で「文献からの情報抽出」や「LLMの活用」に興味を持ち、関連の深いfuku株式会社で働かせていただいています。

本記事では、LLMを活用することで、自然言語を入力とし、適切なSPARQL（グラフデータベースへのクエリ文）を出力できるかどうかを試した過程を公開します。

背景・課題

グラフデータベース（RDF）にデータを問い合わせる際には、SPARQLと呼ばれるRDF専用の問い合わせ言語を使い、クエリを作る必要があります。

例えば、日本版DBpedia（wikipediaの一部）に対して、ラグビー日本代表選手一覧を取得するためのSPARQLクエリは下記のようになります。

PREFIX category: <http://ja.dbpedia.org/resource/Category:>
PREFIX dcterms: <http://purl.org/dc/terms/>

SELECT  ?rugger_man
WHERE
{
  ?rugger_man  dcterms:subject  category:ラグビー日本代表選手 .  
}

2023-09-22

【学会データベース構築第1回】LangChainとPydanticによる構造化

はじめに

初めまして、fuku株式会社代表取締役の山田です。本連載は学会の講演情報を自動で収集し、データベース化する過程の試行錯誤を公開するものです。

身近なニーズがある、個人的に関心があるなどの理由で学会の講演情報を対象としていますが、本企画の真の目的は多様かつ非構造的なテキスト情報を統一的なフォーマットに整形することができるか可能性を探ることにあります。本記事に辿り着いた方の中には論文、実験ノート、社内文書などの多様なテキストを取り扱いたいと考えている方がいらっしゃるかと思います。本企画の内容が、皆様の参考になれば幸いです。

背景・課題

発端は製薬企業の方とお話をしていた時に「学会の講演情報を調べるのが大変」と伺ったことになります。事情を深堀りしてみると以下のことが判明しました。

担当する疾患領域において誰が発信力を持っているか、先生同士のパワーバランス・勢力図を知りたい
どの先生が該当疾患領域のどのような点に強みを持っているのか知りたい（e.g. 消化器症状に詳しい、患者さんとのつながりが強い、海外への発信力がある）
これらの情報を得るために学会、論文、科研費、ガイドライン、研究班を調査する必要がある
- 論文、科研費はPubMed、KAKENで網羅的に検索可能
- ガイドライン、研究班は調べればすぐに情報を取得可能
- 学会は網羅的な調査が困難
  - 多くの疾患は複数の領域・学会にまたがる
  - 領域・学会を横断的に検索できる手段がない（一部サービスはあるがカバー範囲や更新頻度が不十分）
  - 以上の理由により、個別の学会ページでキーワード検索をする必要があり調査に時間がかかる

そこで2022年5月に何件かの学会の講演情報を試しにスクレイピングしてみましたが、以下の理由で頓挫しました。