📄 论文总结
- 中英文论文题目：
《CellForge: 面向虚拟细胞建模的多智能体协作框架》
《CellForge: A Multi-Agent Collaborative Framework for Virtual Cell Modeling》
1️⃣ 一句话总结
CellForge 是一个全自动的多智能体框架，通过任务分析、方法设计和实验执行的端到端协作，解决了单细胞多组学数据中扰动预测的跨学科复杂性问题，显著提升了预测性能（如Pearson相关系数提升20%）并填补了现有AI科学家系统在生物建模自动化方面的空白。
2️⃣ 论文创新点
1. 多智能体协作框架
- 创新点：CellForge通过动态组建的领域专家智能体（如数据专家、模型架构专家）和中央协调者，实现从数据解析到模型设计的全流程自动化。
- 改进：优于传统预定义流程（如PerturboAgent）和单一智能体系统（如STELLA），通过异构专家协商机制生成任务定制化方案。
- 意义：解决了生物建模中数据稀疏性、高维异质性等挑战，减少人工干预需求。
2. 自动化模型设计与训练
- 创新点：框架自主设计深度学习架构（如结合VAE编码器和Transformer的混合模型），并采用数据集特异性训练策略。
- 改进：避免预训练嵌入偏差，性能超越scGPT等预训练模型（零样本任务中误差降低49%）。
- 意义：首次实现单细胞扰动预测模型的完全自主优化，适应不同数据模态（如scRNA-seq、scATAC-seq）。
3. 跨模态预测与评估体系
- 创新点：提出多模态输入整合（如scRNA-seq + CITE-seq）和生物相关性评估指标（如DEG恢复率、潜在空间线性可分性）。
- 改进：在CRISPRi扰动预测中DEG召回率>69%，优于传统线性回归和随机森林。
- 意义：为复杂生物扰动响应提供可解释、跨模态的量化分析工具。
4. 轻量级高效部署
- 创新点：采用JSON-RPC协议和动态终止条件（如置信度阈值τ=0.8），在低成本硬件（2×H20 GPU）下实现快速训练（3-8小时）。
- 改进：计算效率优于需要暴力搜索的自动化工具（如Biomni）。
- 意义：推动AI科学家系统在真实生物实验室的可落地性。
3️⃣ 主要结果与价值
实验结果亮点
- 性能指标：
- 基因表达预测：Pearson相关系数提升20%，MSE降低49%。
- DEG恢复：ROC-AUC>0.65，PR-AUC显著优于基线。
- 跨模态优势：在scATAC-seq（稀疏数据）和CITE-seq（多模态）中分别实现16倍和2.3倍性能增益。
实际应用价值
- 生物医学：加速药物靶点筛选和基因编辑效应预测，减少湿实验成本。
- AI科研：为复杂科学问题（如发育轨迹建模）提供自动化解决方案模板。
- 可扩展性：框架设计支持迁移至环境响应预测等其他虚拟细胞建模任务。
4️⃣ 术语表
- CellForge：论文提出的多智能体框架，用于自动化虚拟细胞建模与扰动预测。
- scRNA-seq/scATAC-seq/CITE-seq：单细胞测序技术，分别测量RNA表达、染色质可及性和蛋白质-RNA共检测。
- DEGs (Differentially Expressed Genes)：差异表达基因，评估模型生物相关性的关键指标。
- GRN (Gene Regulatory Network)：基因调控网络，用于模型上下文表示。
- LLM-as-a-Judge：基于大语言模型的自动化科研计划评估框架（Pearson r=0.83 vs人类专家）。
- Agentic RAG：支持多轮检索的动态检索增强生成方法，用于文献分析。
总结特点：
1. 跨学科整合：融合计算生物学、深度学习和多智能体系统技术；
2. 评估严谨性：结合量化指标（如PCC）与生物意义验证（如DEG恢复）；
3. 开源可复现：提供完整工作流（任务分析→设计→执行）和消融实验数据。