AI Scientists for Building Virtual-Cell Models
该论文介绍了 CellForge，这是一个自主多智能体系统，能够独立完成从文献综述、假设构建到代码生成及验证的完整科学周期，旨在无需人工干预的情况下，构建具有竞争力的虚拟细胞模型，以预测单细胞对扰动的响应。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在活细胞那广阔而复杂的微观世界中，数以千计的基因如同一个复杂的指令手册，决定着细胞如何表现、生长以及如何响应其环境。长期以来，科学家们一直致力于构建一个“虚拟细胞”——一种数字模拟系统，能够精确预测如果关闭某个特定基因、添加某种药物或引入某种化学信号时，细胞会发生怎样的变化。这种能力对于理解疾病和发现新疗法至关重要，但创建一个这样的模型传统上是一项极其艰巨的任务。它需要一个由人类专家组成的团队——生物学家负责理解细胞机制，统计学家负责处理噪声数据，而计算机科学家则负责设计数学框架。每一种新的实验类型或数据集往往都要求这个团队从零开始，手动设计一个独特的模型架构，即计算机如何从数据中学习的具体蓝图。这一过程缓慢且耗费人力，高度依赖于研究人员的专业直觉，以弥合原始生物数据与可用预测工具之间的鸿沟。
现在，一组研究人员展示了一个协调的智能体（AI agents）群体如何能够自主完成整个设计过程。他们开发了一个名为 CellForge 的系统，该系统并非作为一个单一程序运行，而是作为一个由专门的 AI 智能体组成的虚拟研究团队。在给定单细胞测量数据集和特定问题（例如预测细胞对新药的反应）的情况下，CellForge 会接管整个科学工作流。它首先阅读数据并调研现有的科学文献以理解问题。随后，它会模拟一个同行评审过程，由扮演数据建模、生物学和深度学习专家的不同智能体提出并评判各种模型设计。通过这种结构化的讨论，系统最终收敛于一个单一且优化的模型蓝图。最后，它编写计算机代码，在数据上训练模型，并验证结果，从而返回一个功能完备的预测器，能够预测对未见扰动（unseen perturbations）的细胞反应。
研究人员在代表各种生物背景（包括遗传编辑、化学处理和免疫系统信号）的六个不同数据集上测试了这个自主团队。这些数据集涵盖了从标准的基因表达测量到涉及 RNA 与蛋白质结合、或细胞核内 DNA 可及性的更复杂数据。在所有案例中，CellForge 都成功生成了针对特定数据特征量身定制的独特模型架构。例如，在分析受药物处理的细胞数据时，该系统将问题设计为一个“状态流”（flow of states），这一概念借鉴自物理学，用于描述细胞如何从一种状态转变为另一种状态。在面对关于 DNA 可及性的稀疏数据时，它选择了一种逐渐消除噪声的设计，这种技术常用于从模糊图像中重建清晰图像。该系统并非简单地复制现有模型，而是合成了一系列新组合的组件，这些组件非常适合处理每个数据集的具体挑战。
这些 AI 生成模型的性能与科学界现有的最佳人类设计模型相比具有竞争力。在预测基因编辑后基因表达变化的既定基准测试中，CellForge 生成的模型所达到的准确度水平与人类专家设计的模型相当，在某些情况下甚至有所超越。在没有专门的人类模型存在的场景下（例如预测配对的 RNA 和蛋白质数据中的反应，或追踪随时间的变化），该自主系统仍然能够构建出优于通用型现成算法的模型。这表明该系统不仅仅是在自动化一项常规任务，而是具备真正的科学推理能力，能够针对如何构建最佳模型提出假设，并通过代码执行来测试这些假设。
为了确保系统是在进行合理的科学决策而非仅仅是猜测，研究人员对 Cell-Forge 生成的研究计划进行了盲测评估。他们将这些计划与其它先进 AI 系统以及单个大语言模型生成的计划进行了对比。一组独立的单细胞生物学专家在不知道哪个系统创建了哪个计划的情况下，评价 CellForge 的提案比其他系统更具科学合理性、创新性和可行性。专家们发现，这种模仿科学会议严谨批判过程的多智能体讨论机制，使得研究策略更加稳健且理由充分。这表明，专门化 AI 智能体之间的协作增加了一层单一 AI 工具无法复制的批判性思维。
这项研究凸显了计算生物学未来实践方式的重大转变。虽然该系统目前仍处于数字领域内运行，生成的模型需通过现有实验数据进行验证，但它证明了模型设计的核心智力工作——即通常需要人类专家团队参与的部分——是可以自动化的。研究人员承认该系统尚不完美；它有时会在处理复杂的代码错误时需要人工干预，且其设计目前局限于其所见的数据。然而，一个 AI 团队能够阅读文献、提出假设、编写代码并产生经过验证的科学工具，这代表了向自主科学发现迈出的重要一步。它预示着这样一个未来：生物研究的瓶颈将不再是数据的获取或计算能力，而是我们设计和测试那些能使数据产生意义的模型的速度。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。