CellForge: التصميم الواعي لنموذج الخلايا الافتراضية

تمثيل الخلايا الافتراضية يُعدّ حدودًا متقدمة تنشأ في تقاطع الذكاء الاصطناعي والبيولوجيا، ويهدف إلى التنبؤ كمّيًا بكميات مثل استجابات الخلايا لمختلف التحفيزات. ومع ذلك، فإن بناء نماذج حسابية ذاتية لخلايا افتراضية يُعدّ تحديًا كبيرًا نظرًا لتعقيد الأنظمة الحيوية، وتباين أشكال البيانات، واحتياجات الخبرة المتخصصة عبر تخصصات متعددة. في هذا العمل، نقدّم "CellForge"، نظامًا عاملًا يعتمد على إطار متعدد الوكلاء، يحوّل البيانات البيولوجية المقدمة وأهداف البحث مباشرة إلى نماذج حسابية مُحسَّنة للخلايا الافتراضية. وبشكل أكثر تفصيلًا، وبمجرد إدخال بيانات متعددة الأوجه من خلايا فردية خام ووصف المهمة كمدخلات، يُنتج CellForge بنية نموذج مُحسَّنة وشفرة قابلة للتنفيذ لتدريب نماذج الخلايا الافتراضية واستخلاص النتائج. يُدمج في الإطار ثلاث وحدات أساسية: تحليل المهمة، لتحديد خصائص البيانات المقدمة واسترجاع الأدبيات ذات الصلة؛ وتصميم الطريقة، حيث يعمل وكلاء متخصصون بشكل تعاوني على تطوير استراتيجيات نمذجة مُحسَّنة؛ وتنفيذ التجربة، لإنجاز توليد الشفرة تلقائيًا. ويُقسَّم الوكلاء في وحدة التصميم إلى خبراء يمتلكون وجهات نظر مختلفة، إلى جانب مُنسق مركزي، ويجب أن يتبادلوا الحلول بشكل تعاوني حتى يتوصلوا إلى توافق معقول. نُظهر قدرات CellForge في التنبؤ بتأثيرات التحفيز على الخلايا الفردية، باستخدام ستة مجموعات بيانات متنوعة تشمل عمليات إيقاف جينات، وعلاجات دوائية، وتحفيزات بروتينات مفرزة (سيتوكينات) عبر عدة أشكال من البيانات. ويُظهر CellForge تفوقًا مستمرًا على أفضل الطرق المخصصة للوظائف الحالية. وبشكل عام، يُثبت CellForge أن التفاعل التكراري بين وكلاء نماذج لغوية كبيرة (LLM) ذات وجهات نظر مختلفة يُنتج حلولًا أفضل مقارنةً بالتعامل المباشر مع تحديات النمذجة. يمكن الوصول إلى الكود الخاص بنا بشكل عام عبر الرابط التالي: https://github.com/gersteinlab/CellForge.