arXiv cs.CL· Xiangru Tang, Jiapeng Chen, Daniel Shao, Zhuoyun Yu, Yan Cui, Weixu Wang, Fang Wu, Yuchen Zhuang, Wenqi Shi, Zhi Huang, Arman Cohan, Xihong Lin, Fabian Theis, Smita Krishnaswamy, Mark Gerstein·· 2 天前AI 评分48
CellForge：用 AI 科学家团队构建虚拟细胞模型
AI Scientists for Building Virtual-Cell Models
AI 导读
CellForge 是一支由自主智能体组成的团队，可端到端完成单细胞扰动建模：从文献调研、数据解析到生成模型假设、编写训练代码并跑实验，最终返回含架构、代码与验证结果的预测器，全程无需人工指定设计、损失或训练协议。
正文 · AI 翻译
作者：Xiangru Tang、Jiapeng Chen、Daniel Shao、Zhuoyun Yu、Yan Cui、Weixu Wang、Fang Wu、Yuchen Zhuang、Wenqi Shi、Zhi Huang、Arman Cohan、Xihong Lin、Fabian Theis、Smita Krishnaswamy、Mark Gerstein
摘要：从虚拟实验室到生物数据分析智能体与联合科学家，自主智能体已开始将科学目标转化为假设。它们能否更进一步，将真实、嘈杂且复杂的生物数据转化为可执行的模型假设，以及编码可检验假设的架构，目前尚不清楚。预测细胞如何响应遗传和化学扰动是对这一能力的天然检验：它对于解码疾病机制和治疗发现至关重要，却需要罕见地集中于单一研究团队的跨学科专业知识。在此，我们提出 CellForge，一个用于单细胞扰动建模的有组织自主智能体团队。给定数据集和任务，它会调研文献、解析数据、识别相关基线，并通过专攻数据建模、单细胞生物学和深度学习的智能体之间由批评者介导的讨论来形成模型假设。随后，它编写训练代码、运行实验，并返回训练好的预测器，包括架构、代码和验证结果。架构本身就是假设：CellForge 端到端地生成它，无需人类指定设计、损失或训练方案。在涵盖转录组学、表观基因组学和蛋白质组学背景的六个扰动数据集上，CellForge 生成的模型在既定任务上与手工打造的最先进结果相比具有竞争力，并将相同工作流扩展到配对的多组学读数。盲评人类评估者认为 CellForge 的研究计划比单一 LLM 或深度研究系统提出的计划在科学上更合理、更具创新性。总之，我们表明自主智能体可以在单细胞生物学中完成从假设到验证的完整循环，由 AI 有效地构建另一个 AI，且处于目前需要人类专家团队的复杂环境中。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI）；计算与语言（cs.CL）；定量方法（q-bio.QM） |
| 引用为： | arXiv:2508.02276 [cs.LG] |
| （或本版本使用 arXiv:2508.02276v3 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2508.02276 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Xiangru Tang [查看电子邮件]
[v1]
2025年8月4日星期一 10:43:31 UTC（5,948 KB）
[v2]
2026年2月4日星期三 19:54:36 UTC（8,517 KB）
[v3]
2026年10月14日星期三 04:07:33 UTC（24,994 KB）
来源：arXiv cs.CL · arxiv.org