近日，由耶鲁大学马克·格斯坦教授、斯米塔·克里希纳斯瓦米教授、唐相儒，宾夕法尼亚大学黄治教授、崔岩，斯坦福大学吴方，哈佛大学林希虹教授，以及德国慕尼黑亥姆霍兹中心法比安·泰斯教授、汪伟旭等领衔的国际联合团队，在预印本平台arXiv上发布了一项突破性成果——CellForge：首个能够从零开始自动设计并生成虚拟细胞模型的多智能体系统。该系统标志着人工智能在科学发现领域迈出了关键一步，为单细胞组学、药物研发与合成生物学提供了全新的自动化科研范式。 CellForge的核心创新在于其“多智能体协作”架构。系统由多个具备不同专长的AI智能体组成，包括数据专家、模型设计师、生物学家和训练专家。它们通过多轮批判性对话与辩论，共同优化设计方案，模拟真实科研团队的协作过程。研究人员只需输入原始单细胞多组学数据（如scRNA-seq、scATAC-seq、CITE-seq）及自然语言描述的任务目标（如“预测药物处理后的基因表达变化”），CellForge即可自动完成从任务理解、模型设计到代码生成的全流程。 整个流程分为三步：首先是任务分析，系统通过自动解析数据与文献，理解科学背景；其次是方法设计，各智能体提出多种建模方案，并在多轮讨论中迭代优化；最后是实验执行，系统将最优方案转化为可运行的Python代码，涵盖数据预处理、模型训练、超参数调优与结果可视化，实现真正的端到端自动化。 与传统人工建模相比，CellForge展现出显著优势。在多个公开数据集上的测试表明，其预测性能全面超越scGPT、Geneformer、ChemCPA等现有先进模型，尤其在跨模态任务（如ATAC-seq与CITE-seq）中实现突破性提升。其核心能力在于跨模态泛化——系统能自动识别不同数据类型的特征，并动态生成适配的网络架构，无需人为干预。 更值得注意的是，CellForge具备自动生成高质量可执行代码的能力，在现有AI for Science框架中极为罕见。这极大降低了复杂建模的技术门槛，使非计算背景的生物学家也能高效开展前沿研究。 研究团队还通过专家评估与对比实验，验证了CellForge在任务适配性、模型质量与可解释性方面的领先优势。相比通用科研自动化系统如Biomni和DeepResearch，CellForge在生物学语境下的设计能力更为精准，尤其在人类专家打分中表现突出。 该系统不仅加速了模型开发周期——从过去数年缩短至数小时，更开启了“AI科学家”的可能性。未来，团队计划将其与自动化实验平台集成，实现从虚拟建模到物理实验的闭环验证，推动科研进入规模化、工业化时代。 目前，CellForge的论文与代码已开源（GitHub: gersteinlab/CellForge），旨在鼓励全球科研人员共同参与，加速AI for Science的发展。正如研究团队所言，CellForge的目标并非取代科学家，而是成为强大的智能协作伙伴，与人类携手探索生命科学的未知疆域。