AblateCell: A Reproduce-then-Ablate Agent for Virtual Cell Repositories

Título: AblateCell: Um Agente "Replicar-Depois-Ablar" para Repositórios de Células Virtuais

1. Problema e Motivação

O avanço de modelos de "Células Virtuais" (AI Virtual Cells) para prever respostas a perturbações genéticas é fundamental para a biologia computacional. No entanto, atribuir quais componentes específicos de um modelo contribuem para seu desempenho (atribuição) é um gargalo crítico.

• Desafio Principal: Estudos de ablação sistemática (remover componentes para testar sua importância) são raramente realizados de forma automatizada em repositórios biológicos.
• Barreiras Atuais:
  1. Reprodutibilidade Frágil: Repositórios biológicos são frequentemente despadronizados, com dependências complexas e formatos de dados específicos que falham em 80% das tentativas de automação.
  2. Falta de Verificação: Agentes de codificação existentes (como SWE-agent) conseguem gerar código, mas não possuem verificadores capazes de reproduzir rigorosamente as baselines (linhas de base) oficiais antes de propor alterações.
  3. Complexidade de Domínio: Projetar ablações informativas requer conhecimento profundo para mapear hipóteses científicas em módulos de código, algo que agentes genéricos não otimizam.
• Consequência: A ablação científica permanece majoritariamente manual e frequentemente omitida na prática.

2. Metodologia: O Framework AblateCell

O AblateCell é um agente multi-agente autônomo projetado para fechar a lacuna de verificação, operando em um fluxo de trabalho de "Replicar-Depois-Ablar". O sistema é composto por duas fases principais:

Fase 1: Replicação de Baseline Verificada
Antes de qualquer experimento, o sistema garante que o código original funciona.

• Decomposição Planner-Executor: Um agente Planejador decompõe tarefas de alto nível (ex: "treinar o modelo") em sub-tarefas concretas, consultando uma base de conhecimento de domínio. Um agente Executor (Código) opera dentro de um contêiner Docker, escrevendo scripts, executando comandos e depurando erros iterativamente (dependências, caminhos de arquivos, formatos de dados) até que a baseline seja reproduzida com sucesso.
• Artefatos Verificáveis: O sistema emite artefatos reproduzíveis e métricas de validação.

Fase 2: Ablação em Loop Fechado
Uma vez estabelecida a baseline, o sistema realiza ablações sistemáticas.

• Execução Baseada em Grafos (DAG): As ablações são orquestradas como um grafo acíclico direcionado, onde nós representam operações e arestas dependências. Isso permite paralelismo seguro e rastreabilidade.
• Mutação de Código Isolada: Cada candidato de ablação é executado em uma Git worktree isolada. Isso permite que múltiplas versões do código coexistam sem conflitos, garantindo que as modificações de um experimento não corrompam outros.
• Amostragem Adaptativa (Bandit): O sistema utiliza um algoritmo de Multi-Armed Bandit (UCB - Upper Confidence Bound) modificado para selecionar quais componentes testar a seguir.
  • Recompensa: $r(x) = |\Delta(x)| - \lambda \cdot \text{cost}(x)$. A recompensa equilibra o impacto no desempenho ($|\Delta|$) com o custo computacional.
  • Base de Conhecimento de Domínio: Um banco de dados construído a partir de artigos e códigos originais guia a geração de hipóteses e a interpretação dos resultados, priorizando componentes semanticamente relevantes.

3. Contribuições Chave

1. AblateCell: Um verificador agendista de ponta a ponta para repositórios de perturbação de células únicas, alcançando uma taxa de sucesso de replicação de 96,3% e produzindo artefatos verificáveis.
2. Motor de Ablação Autônomo: Um mecanismo baseado em grafos com amostragem de bandit adaptativa, mutações de repositório isoladas e recuperação de conhecimento de domínio.
3. Validação Empírica: Demonstração de que o sistema supera significativamente as bases de referência existentes (Humanos, Mini-SWE-Agent, RepoMaster) em tarefas complexas de repositórios biológicos.

4. Resultados Experimentais

O sistema foi avaliado em três repositórios de predição de perturbação de células únicas: CPA, GEARS e BioLORD.

• Taxa de Sucesso de Tarefa (TSR):
  • Replicação: 96,3% (vs. 72,3% de especialistas humanos e 69,4% do RepoMaster).
  • Ablação: 92,0% (vs. 80,0% de humanos).
  • Ponta a Ponta: 88,9% de sucesso total, superando especialistas humanos em +29,9% e heurísticas em +53,3%.
• Precisão de Identificação de Componentes Críticos (Acc@5):
  • O AblateCell identificou os 5 componentes mais críticos com 93,3% de precisão (vs. 40,0% para métodos heurísticos e 13,3% para seleção aleatória).
• Insights Específicos:
  • No GEARS, o sistema identificou corretamente que o encoder GNN de perturbação é o componente mais crítico (aumento de 89,7% no erro MSE ao ser removido).
  • No CPA, a embedding latente unificada mostrou o maior impacto.
  • No BioLORD, a embedding de atributos desconhecidos foi validada como crucial.

5. Significado e Impacto

• Automação Científica Rigorosa: O AblateCell transforma a ablação de um processo manual e frágil em um ciclo fechado, verificável e escalável.
• Confiança em Modelos de IA: Ao identificar automaticamente quais componentes arquitetônicos realmente importam, o sistema fornece atribuição confiável, essencial para a validação de modelos em biologia.
• Eficiência de Recursos: Ao otimizar a exploração de hipóteses via algoritmos de bandit, o sistema reduz o custo computacional necessário para encontrar insights significativos.
• Generalização: Embora focado em células virtuais, a metodologia de "Replicar-Depois-Ablar" com verificação de ambiente e mutação isolada oferece um paradigma para automatizar a validação em outros domínios científicos complexos.

Limitações: O sistema atualmente depende de conhecimento de domínio pré-definido e foca em tarefas de perturbação de células únicas. A generalização para tarefas biológicas diversas com conhecimento mínimo prévio é um desafio futuro.

Em resumo, o AblateCell representa um avanço significativo na interseção entre Agentes de IA e Biologia Computacional, permitindo não apenas a execução de código, mas a verificação e atribuição científica automatizada de modelos complexos.