Dayhoffは、計算生物学および公衆衛生への応用を目的として開発された、自律型マルチエージェント生物情報学フレームワークです。生物情報学の先駆者であるマーガレット・ベル・デイホフ博士の学術的遺産を受け継ぎ、2026年5月にHumanitarians AI研究チームによって公開されたこのプラットフォームは、大規模言語モデルを基盤とするエージェントオーケストレーション技術を生命科学分野に導入しました。生物学的配列分析から下水疫学モニタリングまで、異種データ分析タスクを、中央調整レイヤーの下でゲノム分析、疫学追跡、分子モデリングなど、6つの専用エージェント層に分散処理する構造を採用しています。GPTが大規模なテキストコンテキストを理解し、次の文を生成するように、Dayhoffはゲノム配列やラマン分光データなど、複雑な生物学的マルチモーダル信号を統合し、カスタムのタンパク質構造を設計し、新種の病原体拡散経路を予測するインテリジェントな分散演算を実行します。 従来の計算生物学研究環境では、タンパク質構造予測（AlphaFold）、分子動力学シミュレーション（GROMACS）、下水ベースの疫学（Wastewater-Based Epidemiology）分析など、個別の専門ソフトウェアが分断されており、研究者が中間データを手動で変換および検証する必要があるため、大きなボトルネックとなっていました。Dayhoffは、クロスエージェント検証アーキテクチャと動的リソース割り当てメカニズムを導入することで、エージェント間の分析結果の矛盾を自動的に検出し、修正する自動化された集合知構造を提供し、この限界を克服します。単一の深層学習モデルが特定のタスクに限定されていたのとは異なり、タンパク質設計サブモジュールであるPredictaBioと、ラマン分光分析モジュールであるRAMAN Effectを有機的にオーケストレーションすることで、遺伝子設計から公衆衛生モニタリングまで、単一の統合パイプラインで管理できます。 バイオテクノロジーおよび公衆衛生の研究者は、Dayhoffフレームワークを活用することで、新種の感染症への対応パイプラインと感染症早期警戒システムを迅速に構築できます。たとえば、下水処理施設で収集された表面増強ラマン分光法（Surface-Enhanced Raman Spectroscopy）の測定データが入力されると、ラマン分析エージェントが複雑なスペクトル信号を解読し、変異病原体の存在を検出し、直ちに分子モデリングエージェントとゲノムエージェントがオーケストレーションされ、その病原体の表面タンパク質結合部位に合わせた抗体遺伝子配列候補を自動的に設計します。データ収集からタンパク質候補の抽出までの一連のプロセスが、分散エージェントの協調によって実行され、従来は数週間かかっていた初期バイオマーカーの特定とワクチン候補物質の設計期間を大幅に短縮します。

Dayhoffは、計算生物学および公衆衛生への応用を目的として開発された自律型マルチエージェント生物情報学フレームワークです。生物情報学の先駆者であるマーガレット・ベル・デイホフ博士の学術的遺産を受け継ぎ、2026年5月にHumanitarians AI研究チームによって公開されたこのプラットフォームは、大規模言語モデルに基づくエージェントオーケストレーション技術を生命科学分野に導入しました。生物学的配列分析から下水疫学モニタリングまで、異種データ分析タスクを、中央調整レイヤーの下でゲノム分析、疫学追跡、分子モデリングとして統合します。

表面増強ラマン分光法（SERS）に基づく下水動態モニタリング: 都市下水処理場のスペクトルデータをRAMAN効果エージェントでリアルタイムにデコードし、病原体の変異を早期に検出し、拡散を追跡する