摘要
我们介绍了 RegNetAgents，一个面向 AI 的多智能体框架，用于跨异构基因调控网络的结构化、查询驱动的调控候选者识别。该系统通过整合 TCGA 衍生的癌症网络与 GREmLN 项目的大规模单细胞调控网络，实现了对批量肿瘤和单细胞衍生 ARACNe 网络的统一分析。
对于给定的焦点基因，该框架执行双网络分类，利用 OncoKB 注释进行癌症基因过滤，并为肿瘤衍生的调控关系分配作用模式 (MoA)。候选者根据网络间的证据一致性进行排名（包括 TCGA-only、GREmLN-only 和两者）。该系统实现为一个多智能体 LangGraph DAG 工作流，通过统一的 Python API 和模型上下文协议 (MCP) 客户端访问，作为预计算调控网络的下游分析层，而不是网络推断方法。
在针对十一种乳腺癌 (BRCA) 和十二种结直肠癌 (COAD) 的焦点基因中，RegNetAgents 识别出显著富集的 OncoKB 注释癌症基因的候选调控因子。TCGA 衍生的候选者表现出强烈的富集 (BRCA 的 Stouffer Z = 6.69，COAD 的 Stouffer Z = 6.95)，而 GREmLN 衍生的候选者也显示出显著富集 (BRCA 的 Z = 5.51，COAD 的 Z = 7.06；所有 p < 0.05)。
博主点评： RegNetAgents 提供了一种强大的工具，通过多智能体框架实现跨网络的调控候选者识别。这种方法不仅提高了癌症基因组研究的效率，还为未来的个性化医疗提供了新的视角。其在 TCGA 和 GREmLN 数据的整合分析展示了显著的临床潜力，值得关注。