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

EnsAgent is een robuust multi-agent systeem dat door middel van een geïntegreerd ensemble van tools en een iteratief bewijsgebaseerd redeneerproces de nauwkeurigheid en reproduceerbaarheid van domeinannotatie in ruimtelijke transcriptomics verbetert.

De kern

EnsAgent: De Slimme Teamleider voor het Kaartmaken van Leven

Stel je voor dat je een enorme, complexe stad moet in kaart brengen. Deze stad is niet gemaakt van straten en gebouwen, maar van miljarden cellen in een stukje weefsel (zoals een stukje hersenen of een tumor). Elke cel heeft een eigen identiteit en een specifieke functie, en ze werken samen in buurten. De wetenschap noemt dit ruimtelijke transcriptomics: het proberen te begrijpen welke cellen waar zitten en wat ze doen.

Het probleem? Het is ontzettend moeilijk. Traditionele methoden zijn als een enkele detective die probeert de hele stad in één keer te tekenen. Soms maakt die detective een foutje in de beginfase (bijvoorbeeld: "Deze buurt hoort bij de haven"), en omdat de hele tekening daarop gebaseerd is, worden alle daaropvolgende namen verkeerd. Het resultaat is een rommelige kaart met fouten.

Enter EnsAgent: Het Super-Team

Deze paper introduceert EnsAgent, een nieuw digitaal hulpmiddel dat werkt als een super-organisator met een team van experts. In plaats van één detective, heeft EnsAgent een heel team dat samenwerkt om de kaart zo nauwkeurig mogelijk te maken.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Bouwploeg" (De Tool-Runner Agent)

Stel je voor dat je een gebouw moet inrichten. Je vraagt niet aan één architect hoe het eruit moet zien. Je vraagt aan vijf verschillende architecten (verschillende wiskundige algoritmen) om elk een eigen plattegrond te tekenen.

• Architect A zegt: "Dit is de keuken."
• Architect B zegt: "Nee, dit is de woonkamer."
• Architect C zegt: "Het is een hal."

EnsAgent laat al deze architecten aan het werk. Ze werken allemaal tegelijk en leveren hun eigen versie van de kaart op.

2. De "Inspecteur" (De Scoring Agent)

Nu heb je vijf verschillende kaarten. Wie heeft gelijk?
Hier komt de Inspecteur om de hoek kijken. Deze inspecteur is heel slim: hij kijkt niet alleen naar de tekst op de kaart, maar ook naar de foto's van het gebouw.

• Hij zegt: "Architect A heeft de keuken op de foto getekend, maar op de foto zie je duidelijk een bed. Dat klopt niet."
• Hij combineert de cijfers van alle architecten en de visuele check. Hij maakt een meesterkaart die de beste delen van alle plannen samenvoegt. Fouten worden eruit gefilterd, net zoals je een slechte foto uit een album verwijdert.

3. De "Raad van Wijzen" (De Proposer & Critic Agents)

Nu hebben we een goede kaart, maar we moeten de kamers nog de juiste namen geven. EnsAgent roept nu een raad van vier experts bij elkaar:

1. De Marker-expert: Kijkt naar de "naamplaatjes" op de cellen (welke eiwitten zitten er?).
2. De Weg-expert: Kijkt naar de "straten" (welke chemische boodschappen worden er uitgewisseld?).
3. De Ruimte-expert: Kijkt naar de ligging (zit dit dicht bij de rand of in het midden?).
4. De Foto-expert: Kijkt naar het uiterlijk van de weefsels.

Het Geniale Trucje: De Critic (De Kritische Toezichthouder)
Dit is het belangrijkste deel. De experts geven hun mening, maar er is ook een Critic (een strenge toezichthouder).

• Als de experts zeggen: "Dit is een tumor," maar de Critic kijkt naar de bewijzen en zegt: "Wacht even, de foto's tonen gezonde cellen en de chemie klopt niet," dan gooit hij de suggestie weg.
• Hij zegt: "Jullie hebben een fout gemaakt. Ga terug en kijk nog eens goed."
• Het team moet dan opnieuw werken totdat iedereen het eens is en de bewijzen kloppen. Dit voorkomt dat het systeem "hallucineert" (zomaar dingen verzint).

Waarom is dit zo belangrijk?

In de echte wereld (zoals bij kankeronderzoek of hersenstudies) zijn de grenzen tussen cellen vaak vaag.

• Vroeger: Als een computer een klein foutje maakte in het begin, werd de hele diagnose verkeerd. Het was als een domino-effect van fouten.
• Nu met EnsAgent: Omdat het systeem continu controleert, bewijzen vergelijkt en experts laat debatteren, is het zeer robuust. Het kan zelfs de "ruis" van verschillende meetapparaten (batch effects) wegnemen, alsof je een wazige foto scherper maakt door meerdere foto's van hetzelfde onderwerp te combineren.

Kortom:
EnsAgent is niet zomaar een computerprogramma dat een lijstje maakt. Het is een digitale werkgroep die samenwerkt, elkaar controleert, en pas een conclusie trekt als alle bewijzen kloppen. Hierdoor krijgen wetenschappers een veel betrouwbaarder kaart van het leven, waardoor ze beter kunnen begrijpen hoe ziektes zoals kanker werken en hoe we die kunnen bestrijden.

Het is alsof je in plaats van één persoon die een raadsel oplost, een heel team van detectives, wetenschappers en fotografen hebt die samenwerken om het antwoord te vinden, waarbij ze elkaar continu controleren op fouten.

Technische samenvatting

Probleemstelling

De automatische annotatie van ruimtelijk opgeloste transcriptomics (SRT) data blijft een uitdaging. Traditionele methoden zijn vaak afhankelijk van één enkele upstream-partitie (clustering) om biologische domeinen te definiëren. Dit leidt tot fragiele annotatiepiplijnen die gevoelig zijn voor:

• Batch-effecten en platform-heterogeniteit.
• Resolutie-mismatch en hyperparameter-gevoeligheid.
• Hallucinaties van Large Language Models (LLM's) wanneer moleculair bewijs onduidelijk is.
• Het gebrek aan expliciete bewijsvoering en onzekerheidsschattingen, wat reproduceerbaarheid en auditbaarheid beperkt.

Bestaande agent-gebaseerde systemen conditioned vaak semantische redenering op statische, enkelvoudige methoden, waardoor fouten in de eerste stap zich voortplanten naar de uiteindelijke biologische interpretatie.

Methodologie: EnsAgent Framework

EnsAgent is een multi-agent systeem dat gebruikmaakt van een Consultation–Review workflow (Raadpleging-Review) om structurele partitie te ontkoppelen van semantische labeling. Het systeem bestaat uit drie hoofdstadia:

1. Stadium 1: Tool-Runner Agent & MCP Orchestration

   • Een Tool-Runner Agent gebruikt het Model Context Protocol (MCP) om een portfolio van verschillende ruimtelijke domein-detectie-algoritmen (zoals BayesSpace, BASS, DR-SC, STAGATE, IRIS, SEDR) uit te voeren.
   • Dit resulteert in een reeks kandidaat-partities.
   • De agent aligneert deze verschillende labels naar een gemeenschappelijke labelruimte (via het Hongaarse algoritme op basis van Intersection-over-Union) en genereert gestandaardiseerde bewijsartefacten (visualisaties, differentieel tot expressie gebrachte genen/DEGs, functionele verrijking).

2. Stadium 2: Scoring Agent & Dual-Stream Aggregatie

   • Een Scoring Agent fungeert als een autonoom scheidsrechter. Het gebruikt een dubbele stroom-evaluatie:
     • Biologische fideliteit: Kwantitatieve statistieken (ruimtelijke coherentie, cluster-scheiding, marker-specificiteit, pathway-consistentie).
     • Visuele constraints: Een Vision-Language Model (VLM) beoordeelt de morfologische kwaliteit en continuïteit van de segmentaties.
   • Deze scores worden gecombineerd tot een gewogen consensus-partitie. Onbetrouwbare partities worden afgestraft, wat resulteert in een robuust "consensus domain map" met een onzekerheidsmaat voor elke spot.

3. Stadium 3: Multi-expert Evaluatie & Critic–Proposer Loopt

   • Proposer Agent: Coördineert vier gespecialiseerde experts (Marker, Pathway, Spatiality, Visual) om kandidaat-labels te genereren met bijbehorende onzekerheidsschattingen.
   • Critic Agent: Auditert de hypotheses van de Proposer tegen een kennisbank (Knowledge Base) en controleert op tegenstrijdigheden tussen de verschillende modaliteiten.
   • Iteratieve Refinement: Als de bewijslast onvoldoende of tegenstrijdig is (bijv. lage "worst-case support" van een expert), trigger de Critic een gerichte heruitvoering (Rerun) van specifieke analyses (bijv. strengere DEGs, extra pathway-analyses).
   • Dit proces herhaalt zich totdat de annotatie stabiel is en een vooraf bepaald betrouwbaarheidscriterium bereikt.

Belangrijkste Bijdragen

• Decoupling van Partitie en Labeling: EnsAgent lost het probleem op dat annotaties afhankelijk zijn van één enkele clusteringmethode door een ensemble-benadering te gebruiken.
• Iteratieve Bewijsgebaseerde Redenering: In plaats van een "one-shot" inferentie, gebruikt het systeem een feedback-loop (Proposer-Critic) die fouten corrigeert voordat ze worden vastgelegd.
• Transparantie en Auditbaarheid: Het systeem levert gestructureerde JSON-outputs met bewijsvoering, onzekerheidsschattingen en beslissingspaden, wat cruciaal is voor reproduceerbaarheid.
• MCP-Integratie: Het gebruik van MCP maakt het mogelijk om diverse bestaande bio-informatica-tools naadloos te integreren als "tools" binnen het agent-systeem.

Resultaten

EnsAgent werd getest op drie verschillende SRT-datasets en presteerde superieur ten opzichte van bestaande methoden en andere LLM-agenten:

1. Menselijke Cortex (DLPFC):

   • EnsAgent herstelde de fijne gelaagde architectuur (laminar organization) met scherpe grenzen, terwijl baselines vaak fragmentatie of vermenging van lagen vertoonden.
   • Metingen: Hoogste Adjusted Rand Index (ARI = 0.67) en Normalized Mutual Information (NMI), met een verbetering van 4,31% tot 17,39% ten opzichte van individuele baselines.
   • Het systeem leverde biologisch onderbouwde annotaties (bijv. identificatie van neurale pathways zoals "Synaptic vesicle cycle").

2. Menselijke Borstkanker:

   • Het systeem identificeerde 20 fijne ruimtelijke domeinen, waaronder subtiele subgroepen in het tumor-micro-omgeving (TME) die door pathologen en andere tools werden gemist.
   • Het onderscheidde bijvoorbeeld een "immuun-onderdrukte" tumorcore van een "immuun-actieve" niche, wat werd bevestigd door ligand-receptor interactie-analyses (bijv. NECTIN4–TIGIT).
   • Het verminderde "semantische collaps" (waarbij andere tools het hele weefsel als één type labelden).

3. Muizen Olfactorische Bulb (MOB):

   • Robuustheid tegen Batch-effecten: EnsAgent neutraliseerde kunstmatige batch-effecten die andere methoden deden falen.
   • De Critic-geleide heruitvoering corrigeerde initiële fouten, waardoor een coherente gelaagde structuur werd hersteld die overeenkwam met het Allen Reference Atlas.
   • Het systeem behield functionele programma's (zoals "MAPK signaling") die door technische ruis bij andere methoden waren verdwenen.

Betekenis en Conclusie

EnsAgent vertegenwoordigt een paradigmaverschuiving in de analyse van ruimtelijke transcriptomics. Door ensemble-intelligentie te combineren met iteratieve, bewijsgebaseerde multi-agent redenering, biedt het een robuust framework dat:

• Fragiliteit elimineert die inherent is aan single-method pipelines.
• Biologische interpretatie verbetert door expliciete bewijsvoering en onzekerheidskwantificering.
• Batch-effecten en technische ruis effectief neutraliseert, waardoor nauwkeurigere inzichten in complexe weefsels (zoals tumoren en hersenstructuren) mogelijk worden.

Hoewel de berekeningstijd hoger is dan bij enkelvoudige methoden, biedt EnsAgent een nieuwe standaard voor reproduceerbare, auditabele en biologisch accurate annotatie in de ruimtelijke genomica. De auteurs stellen voor om in de toekomst het ensemble-redeneren te distilleren naar een kleiner taalmodel (SLM) voor snellere inferentie en uitbreiding naar 3D-weefselanalyse.