arXiv cs.AI· Jose A. Bird·· 6 天前AI 评分22
CASCADE：一个基于智能体的调控网络框架，用于患者数据验证的下游扰动预测
CASCADE: An Agentic Regulatory Network Framework for Patient-Data-Validated Downstream Perturbation Prediction
AI 导读
CASCADE 是一个通过 MCP 暴露预计算 ARACNe 调控网络的智能体框架，用于预测基因扰动的下游转录效应。它改用真实 TCGA 患者肿瘤数据验证预测变化方向，MYC 敲低靶点在 BRCA、COAD、STAD 三种癌症中与真实扩增肿瘤表达的一致率分别为 90.0%、72.0%、85.7%（p<=0.0013），并在 METABRIC 独立队列复现 87.2%。
正文 · AI 翻译
摘要：CASCADE 是一个智能体框架，它通过 MCP 暴露的预计算 ARACNe 调控网络，预测基因扰动的下游转录效应。先前的工作通过检查预测基因是否为已知癌症基因（成员资格）来验证此类工具；我们则改为检验预测的变化方向是否与现实相符，利用焦点基因拷贝数扩增作为基于剂量的代理，代表敲低的逆过程，并对照真实的 TCGA 患者肿瘤数据。对于 MYC，CASCADE 预测的敲低靶点在三种癌症类型中与真实的扩增型对比非扩增型肿瘤表达高度一致（BRCA：90.0%，COAD：72.0%，STAD：85.7%；所有 p<=0.0013），远高于置换基线，在 PAM50 亚型控制下依然成立，并在独立队列中得以复现（METABRIC，87.2%）。通过 Fisher 精确检验与精选的 MSigDB 基因集基线相比，CASCADE 的准确率并未显示出超过现有关于 MYC 或 E2F 驱动生物学的公开知识，尽管其基因特异性方向判定明显优于朴素的均匀猜测。扩展到另外十五个基因后，验证结果证明其具有基因特异性而非普适性：增殖机制调控因子大多能够复现，而谱系身份转录因子和一个细胞周期蛋白 D 旁系同源物（CCND2）则持续失败，我们将这一模式作为一个有保留的事后假设加以讨论。我们另外还评估了基于 LLM 的智能体能否正确地将自然语言请求落地为 CASCADE 真实的 MCP 工具调用。在 35 个查询中，一个有文档记录的本地模型达到 71.4% 的精确匹配（更大的模型为 85.7%）；模式和基因别名方面的失败可通过规模或服务器端校正解决，但两个模型在模糊查询上都会自信地默认采用错误的扰动类型，这一失败无法通过针对性修复解决，因为其触发条件从未出现。
| 评论： | 26 页，2 幅图。v3：更正了 this http URL 引用；将 RegNetAgents 对比更新至其 v3；用 IntOGen 替换 OncoKB；更新了数据、许可和代码可用性（软件 v1.5.0）。结果不变 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2608.05359 [cs.AI] |
| （或 arXiv:2608.05359v3 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2608.05359 arXiv 颁发的 DOI，经由 DataCite |
提交历史
来自：Jose Bird PhD [查看电子邮件]
[v1]
2026 年 8 月 5 日星期三 19:30:44 UTC（67 KB）
[v2]
2026 年 9 月 14 日星期一 20:54:59 UTC（67 KB）
[v3]
2026 年 10 月 9 日星期五 13:38:23 UTC（68 KB）
来源：arXiv cs.AI · arxiv.org