生物扰动预测的渐进式多智能体推理

预测基因调控对生物扰动的响应需要推理其背后的生物因果关系。虽然大型语言模型 (LLM) 在此类任务方面显示出前景，但它们常常被高维扰动结果交织的本质所淹没。此外，近期工作主要聚焦于单细胞实验中的基因扰动，留下了以 bulk 细胞环境中化学扰动为中心的药物发现问题基本未被探索。为此，我们提出了 LINCSQA，这是一个用于预测 bulk 细胞环境下复杂化学扰动下目标基因调控的新型基准数据集。我们进一步提出了 PBio-Agent，一个集成难度感知任务排序与迭代知识细化的多智能体框架。我们的关键见解是，受相同扰动影响的基因共享因果结构，允许对更具挑战性的案例进行上下文化。该框架采用富含生物知识图谱的专用智能体，同时由一个综合智能体整合输出，专门的评判家确保逻辑一致性。PBio-Agent 在 LINCSQA 和 PerturbQA 两个基准数据集上均超越了现有基线方法，使较小规模的模型能够在无需额外训练的情况下预测和解释复杂的生物过程。