バーチャルセルモデリングは、人工知能と生物学の交差点に位置する新たな研究分野であり、多様な摂動に対する反応などを定量的に予測することを目指している。しかし、生物学的システムの複雑さ、データモダリティの異質性、および複数の学問分野にわたるドメイン特有の専門知識の必要性から、バーチャルセル用の計算モデルを自律的に構築することは困難である。本研究では、提示された生物学的データセットと研究目的を直接、最適化されたバーチャルセル計算モデルに変換するマルチエージェントフレームワークを活用するエージェント型システム「CellForge」を紹介する。具体的には、入力として生の単細胞多オミクスデータとタスク記述のみを提示すれば、CellForgeは最適化されたモデルアーキテクチャおよびバーチャルセルモデルの学習・推論用実行可能コードを出力する。本フレームワークは、3つの主要モジュールから構成されている：データセットの特徴抽出と関連文献の検索を行う「タスク解析」、専門エージェントが協働して最適化されたモデリング戦略を設計する「手法設計」、コードの自動生成を行う「実験実行」。手法設計モジュール内のエージェントは、異なる視点を持つ専門家と中央の調整者に分かれ、合理的な合意に達するまで協働的に解決策を共有・交換する。我々は、遺伝子ノックアウト、薬剤処理、サイトカイン刺激を含む複数のモダリティにわたる6つの異なるデータセットを用いて、CellForgeの単細胞摂動予測能力を検証した。その結果、CellForgeはタスク特化型の最先端手法を一貫して上回る性能を示した。総じて、異なる視点を持つLLMエージェント間の反復的相互作用が、モデリング課題を直接対処するよりも優れた解決策をもたらす可能性を示した。本研究のコードは、https://github.com/gersteinlab/CellForge にて公開されている。