RegNetAgents：跨网络癌症调控驱动因子识别的多智能体AI框架
概览
癌症基因组学的核心挑战之一，是从海量调控网络中精准识别驱动肿瘤发生的关键调控因子。近日，一项发表于arXiv的研究提出RegNetAgents，一个基于多智能体架构的AI框架，能够跨异质性基因调控网络进行结构化、查询驱动的调控候选因子识别。
技术亮点
RegNetAgents的核心创新在于其多智能体协作设计。它基于LangGraph DAG工作流实现，通过统一Python API和模型上下文协议（MCP）客户端对外提供访问。系统无需自行推断网络，而是作为预计算调控网络的下游分析层运行，直接整合两大数据源：
- TCGA 衍生的肿瘤批量测序ARACNe网络
- GREmLN项目 的大规模单细胞调控网络
针对给定的焦点基因，框架执行双网络分类、基于OncoKB注释的癌症基因过滤，以及肿瘤来源调控关系的作用模式（MoA）分配。最终候选因子按跨网络的证据一致性（Both、TCGA-only、GREmLN-only）排序。
性能验证
研究者在11个乳腺癌（BRCA） 和12个结直肠癌（COAD） 焦点基因上验证了RegNetAgents。结果显示，其识别的候选调控因子显著富集于OncoKB注释的癌症基因：
- TCGA来源候选：BRCA的Stouffer Z = 6.69，COAD的Z = 6.95（p < 0.0001）
- GREmLN来源候选：BRCA的Z = 5.51，COAD的Z = 7.06（p < 0.0001）
相比之下，看家基因和非驱动对照基因集未观察到富集，证实了信号特异性。
扩展能力
框架还包含一个扩展模块，支持对候选因子进行致瘤潜力、药物靶向性、临床相关性和网络脆弱性的结构化评估，从而实现从候选识别到生物学假设生成的端到端解释。
行业意义
RegNetAgents代表了AI在癌症基因组学中应用的重要进展。它通过多智能体协作，将不同尺度（bulk与单细胞）的调控网络统一分析，避免了单一数据源的偏差。其模块化设计也便于未来集成更多网络类型和注释数据库。
局限性
目前，RegNetAgents仍依赖预计算网络，未涉及网络推理本身；且验证仅局限于乳腺癌和结直肠癌，泛癌种表现有待进一步测试。但作为首个跨网络调控驱动因子识别的多智能体框架，它为精准医学提供了新的计算工具。