EnsAgent: a tool-ensemble multiple Agent system for robust annotation in spatial transcriptomics

EnsAgent es un sistema multiagente basado en un conjunto de herramientas que mejora la anotación robusta y reproducible en transcriptómica espacial al integrar algoritmos de agrupamiento diversos y un flujo de trabajo de retroalimentación entre expertos especializados para superar las limitaciones de los enfoques actuales.

Lo esencial

Imagina que tienes un mapa del tesoro muy antiguo y complejo: es un tejido biológico (como el cerebro o un tumor) donde cada punto tiene una historia genética única. El problema es que este mapa está escrito en un idioma que nadie entiende bien al principio: el "idioma" de los genes.

Los científicos necesitan traducir esos puntos genéticos en nombres útiles, como "aquí hay neuronas", "aquí hay células cancerosas" o "aquí es la capa 3 del cerebro". A esto se le llama anotación de dominios espaciales.

Hasta ahora, hacer esto era como intentar adivinar el clima de una ciudad solo mirando un termómetro viejo. Si el termómetro fallaba, toda la predicción se arruinaba. Además, diferentes científicos usaban diferentes termómetros y obtenían resultados distintos, lo que generaba confusión.

Aquí es donde entra EnsAgent, la nueva herramienta presentada en este artículo.

¿Qué es EnsAgent? (La analogía del "Consejo de Sabios")

En lugar de confiar en un solo experto o en un solo método para leer el mapa, EnsAgent actúa como un consejo de sabios o un comité de expertos que trabaja en equipo. No es una sola persona tomando una decisión; es un sistema inteligente con varios roles que se vigilan entre sí.

Imagina que EnsAgent es una empresa de investigación de alta tecnología con tres departamentos clave:

1. El Departamento de "Exploradores" (Tool-Runner Agent)

Imagina que tienes un equipo de 8 exploradores diferentes, cada uno con un mapa y una brújula distinta (son diferentes algoritmos matemáticos).

• Lo que hacen: Cada explorador recorre el territorio y dibuja sus propias fronteras. Uno dice: "Aquí hay un bosque", otro dice: "Aquí hay un río".
• El problema: A veces sus mapas no coinciden. Uno pone la frontera en la montaña, otro en el valle.
• La solución de EnsAgent: En lugar de elegir al azar, EnsAgent toma todos esos mapas y los pone en una mesa para compararlos.

2. El "Juez" y el "Crítico" (Scoring Agent & Critic)

Aquí es donde EnsAgent brilla. Tiene dos personajes muy importantes:

• El Juez (Scoring Agent): Mira todos los mapas de los exploradores y les da una puntuación. No solo mira si los genes coinciden, sino que también usa una "lupa visual" (inteligencia artificial que ve imágenes) para preguntar: "¿Tiene sentido que este grupo de células forme una línea continua? ¿O parece un parche desordenado?". Si un mapa parece un caos, el Juez le baja la nota.
• El Crítico (Critic Agent): Este es el detective. Si el Juez y los exploradores no están de acuerdo, o si algo parece sospechoso (por ejemplo, si una zona parece un tumor pero los genes dicen lo contrario), el Crítico levanta la mano y dice: "¡Espera! Algo no cuadra. ¡Revisen esto de nuevo!".
  • En lugar de aceptar un error, el sistema vuelve a empezar esa parte específica, pidiendo a los expertos que busquen más pruebas. Es como si un editor de periódico revisara un artículo antes de imprimirlo para evitar errores.

3. Los "Expertos Especialistas" (Proposer & Experts)

Una vez que tienen un mapa consensuado y limpio, entra el equipo de redacción. EnsAgent no solo dice "esto es un tumor". Tiene cuatro expertos que escriben la historia:

• El Experto en Marcas: Busca las "huellas dactilares" genéticas (genes específicos).
• El Experto en Caminos: Mira qué "caminos" químicos están activos (como si las células estuvieran hablando entre sí).
• El Experto Espacial: Verifica que la forma tenga sentido en el espacio (no puedes tener un cerebro flotando en el estómago).
• El Experto Visual: Mira la foto real del tejido para confirmar que la forma coincide con la biología.

Juntos, estos expertos escriben una etiqueta final con una "lista de pruebas" que justifica por qué esa zona es lo que es. Si no hay suficientes pruebas, el Crítico los obliga a buscar más.

¿Por qué es esto un gran avance?

Antes, si un método fallaba (por ejemplo, si el tejido estaba un poco sucio o si había ruido en los datos), toda la interpretación se equivocaba. Era como intentar armar un rompecabezas con piezas de otro juego.

EnsAgent es robusto porque:

1. No confía ciegamente: Si un método falla, los otros lo cubren.
2. Se autocorrige: Si ve un error, lo arregla antes de dar el resultado final.
3. Explica su trabajo: No solo te da un nombre ("Tumor"), te dice por qué ("Porque hay estas células, estos genes y esta forma").

En resumen

EnsAgent es como tener un equipo de detectives, biólogos y artistas trabajando juntos para descifrar el mapa de la vida. Mientras que los métodos anteriores eran como un solo detective que a veces se equivocaba, EnsAgent es un consejo de sabios que se debate, se revisa y se corrige hasta estar 100% seguro de que la historia que cuentan sobre el tejido es la verdadera.

Esto permite a los médicos y científicos entender mejor enfermedades como el cáncer o cómo funciona el cerebro, con una precisión y confianza que antes era imposible de lograr.

Resumen técnico

1. Planteamiento del Problema

La anotación automática de dominios en la transcriptómica espacialmente resuelta (SRT) sigue siendo un desafío crítico. Aunque las tecnologías SRT (como 10x Visium, Slide-seq, etc.) permiten visualizar la organización biológica, asignar etiquetas semánticas precisas (compartimentos anatómicos, lesiones patológicas) es difícil debido a:

• Dependencia de múltiples factores: La definición de dominios biológicos no solo depende de la expresión génica, sino también del contexto morfológico y convenciones clínicas que varían entre cohortes y plataformas.
• Fragilidad de los enfoques actuales: Los métodos existentes basados en Agentes de Modelos de Lenguaje (LLM) suelen depender de una única partición upstream (un solo algoritmo de clustering). Esto hace que el pipeline sea frágil ante errores de partición, efectos de lote (batch effects) y heterogeneidad específica del tejido.
• Alucinaciones y falta de trazabilidad: Cuando la evidencia molecular es ambigua, los LLMs pueden generar etiquetas inestables o alucinar, y a menudo carecen de un rastro de evidencia estructurado o estimaciones de incertidumbre, lo que compromete la reproducibilidad.

2. Metodología: El Marco EnsAgent

EnsAgent es un sistema multiagente basado en un ensamble de herramientas diseñado para desacoplar la partición estructural del etiquetado semántico mediante un flujo de trabajo de "Consulta y Revisión" (Consultation–Review) en tres etapas:

Etapa 1: Orquestación de Herramientas y Particiones Candidatas (Tool-Runner Agent)

• Utiliza el Protocolo de Contexto de Modelo (MCP) para ejecutar un portafolio diverso de algoritmos de descubrimiento de dominios espaciales (ej. BayesSpace, BASS, DR-SC, STAGATE, IRIS, SEDR).
• Genera múltiples particiones candidatas y las alinea a un espacio de etiquetas común utilizando el algoritmo húngaro basado en la métrica Intersección sobre Unión (IoU).
• Produce artefactos de evidencia estandarizados (visualizaciones, estadísticas de genes diferencialmente expresados -DEGs-, perfiles de enriquecimiento funcional).

Etapa 2: Evaluación Dual y Agregación de Consenso (Scoring Agent)

• Actúa como un árbitro autónomo mediante un motor de puntuación de doble flujo:
  1. Flujo Biológico: Evalúa coherencia espacial, separabilidad de clusters, especificidad de marcadores y consistencia de vías.
  2. Flujo Visual: Utiliza un Modelo de Lenguaje Multimodal (MLLM) para evaluar la fidelidad morfológica y la continuidad geométrica, penalizando fragmentaciones.
• Combina estas puntuaciones en un mapa de consenso ponderado por fiabilidad, donde los métodos contribuyen más en regiones donde sus dominios son más estables.
• Calcula un puntaje de desacuerdo local para identificar zonas ambiguas.

Etapa 3: Bucle Iterativo Propositor-Crítico (Proposer–Critic Loop)

• Agente Propositor: Coordina cuatro expertos especializados (Marcador, Vía, Espacialidad y Visual) para generar hipótesis de etiquetas con estimaciones de incertidumbre basadas en evidencia.
• Agente Crítico: Audita las hipótesis contra una Base de Conocimientos (KB) y verifica la consistencia cruzada entre modalidades.
• Mecanismo de Re-ejecución: Si la puntuación de auditoría es baja o hay contradicciones, el Crítico desencadena un re-ejecución dirigida (rerun) de expertos específicos (ej. ajustar umbrales de DEGs, añadir vías alternativas) para refinar la evidencia hasta alcanzar la convergencia.

3. Contribuciones Clave

• Desacoplamiento Estructura-Semántica: Separar la generación de particiones de la asignación de etiquetas permite corregir errores de clustering antes de la interpretación biológica.
• Robustez mediante Ensamble: Al integrar múltiples algoritmos y validarlos con criterios visuales y biológicos, el sistema neutraliza los efectos de lote y la sensibilidad a hiperparámetros.
• Trazabilidad y Explicabilidad: A diferencia de los enfoques de "caja negra", EnsAgent proporciona un rastro de decisión estructurado (JSON), incluyendo puntuaciones de confianza, evidencia de marcadores y registros de auditoría.
• Detección de Nichos Finos: Capacidad para resolver subgrupos sutiles del microambiente tumoral y arquitecturas laminar complejas que los métodos de paradigma único pasan por alto.

4. Resultados Principales

El sistema se evaluó en tres conjuntos de datos SRT distintos:

1. Corteza Cerebral Humana (DLPFC):

   • Logró una alta fidelidad anatómica, recuperando capas corticales finas con límites nítidos.
   • Superó a los métodos de referencia (como DR-SC, stLearn, BayesSpace) con un Índice Rand Ajustado (ARI) medio de 0.67, una mejora del 4.31% al 17.39%.
   • Identificó correctamente programas neuronales y vías de señalización específicas de cada capa.

2. Cáncer de Mama Humano:

   • Refinó anotaciones patológicas amplias en 20 dominios espaciales finos, incluyendo 8 regiones enriquecidas en inmunitarios y interfaces tumor-estroma sutiles.
   • Descubrió subregiones funcionales distintas (ej. núcleos tumorales "suprimidos de inmunidad" vs. nichos "activos de inmunidad") que los agentes baselines confundían o colapsaban semánticamente.
   • Validó interacciones ligando-receptor específicas (ej. NECTIN4–TIGIT) que definen nichos de reclutamiento inmune.

3. Bulbo Olfatorio de Ratón (Robustez a Efectos de Lote):

   • Demostró capacidad para corregir errores inducidos por ruido técnico mediante el protocolo de re-ejecución guiado por el Crítico.
   • Recuperó la organización laminar coherente alineada con el Atlas de Referencia Allen, mientras que los métodos individuales mostraron fragmentación y mezclas de UMAP.
   • Restauró programas funcionales biológicos (ej. señalización MAPK, transducción olfativa) que se habían atenuado por el ruido técnico.

5. Significado e Impacto

EnsAgent representa un cambio de paradigma en la bioinformática espacial, pasando de la inferencia de un solo paso a un proceso iterativo de razonamiento basado en evidencia.

• Reproducibilidad: Al proporcionar trazas de decisión y estimaciones de incertidumbre, facilita la auditoría y la validación clínica.
• Automatización de la Intuición Experta: El bucle Propositor-Crítico automatiza la resolución de conflictos entre datos y expectativas biológicas, reduciendo la barrera de entrada para expertos clínicos.
• Futuro: Aunque el enfoque actual tiene una sobrecarga computacional mayor debido a la ejecución paralela de herramientas, los autores proponen destilar la lógica del ensamble en modelos de lenguaje pequeños (SLM) especializados para inferencia ligera y la extensión a alineación de múltiples cortes para reconstrucción 3D.

En resumen, EnsAgent ofrece un marco robusto, interpretable y de vanguardia para la anotación de dominios espaciales, superando las limitaciones de fragilidad y alucinación de los enfoques actuales basados en LLM.