RegNetAgents: мультиагентный LangGraph поверх готовых сетей для поиска драйверов рака
Sh0ny
17 июля 20261 мин чтения
Коротко
Свежая работа с arXiv показывает, как мультиагентный workflow на LangGraph и MCP-клиенте работает как аналитический слой над предвычисленными регуляторными сетями — не заменяя inference, а структурируя запросы. Разбираю, что это даёт на практике и где упирается в качество данных.
Главная ставка RegNetAgents — не придумывать ещё один метод построения генных регуляторных сетей, а построить мультиагентный слой поверх уже готовых. Авторы честно называют систему downstream analytical layer: она берёт предвычисленные сети из TCGA (bulk-опухоли) и проекта GREmLN (single-cell), а дальше через DAG-workflow на LangGraph классифицирует кандидатов, фильтрует по OncoKB и присваивает механизм действия (mode-of-action) для регуляторных связей из опухолевых сетей.
Архитектурно это интереснее, чем «очередной пайплайн на LLM». Агенты работают через единый Python API и Model Context Protocol (MCP) клиент — то есть систему можно встраивать как инструмент в более широкие агентские цепочки, а не только запускать скриптом. Для тех, кто строит агентов в биомедицине, это сигнал: MCP добрался до геномных аналитических задач.
Кандидаты ранжируются по консистентности доказательств в трёх категориях: Both (оба типа сетей), TCGA-only, GREmLN-only. На 11 фокус-генах по раку молочной железы и 12 — по колоректальному раку система даёт значимое обогащение по аннотированным онкогенам из OncoKB. Stouffer Z от 5.51 до 7.06, все p < 0.0001. Контрольные наборы (housekeeping, non-driver) enrichment не показывают — это подтверждает специфичность сигнала, а не артефакт ранжирования.
Расширенный модуль добавляет оценку онкогенного потенциала, druggability, клинической релевантности и уязвимости сети. По сути, авторы пытаются замкнуть цепочку от «кандидат-регулятор» до «гипотеза для биолога» — и здесь мультиагентная оркестрация уместна: каждый шаг требует разных источников знаний и разных форматов рассуждения.
Где подвох — очевидно из самой постановки. Качество кандидатов упирается в качество предвычисленных сетей (ARACNe для bulk, GREmLN для single-cell). Если upstream-inference слабый на конкретном типе опухоли, мультиагентный слой не вытащит то, чего нет. Это не генеративная модель, которая «додумает» регуляторные связи — это структурированный запрос поверх чужих данных. Для задач, где сети уже надёжны, это плюс; для редких типов рака с плохим покрытием single-cell — ограничение.
Источник: cs.AI updates on arXiv.org